细数nn.BCELoss与nn.CrossEntropyLoss的区别
以前我浏览博客的时候记得别人说过，BCELoss与CrossEntropyLoss都是用于分类问题。可以知道，BCELoss是BinaryCrossEntropyLoss的缩写，BCELossCrossEntropyLoss的一个特例，只用于二分类问题，而CrossEntropyLoss可以用于二分类，也可以用于多分类。
不过我重新查阅了一下资料，发现同样是处理二分类问题，BCELoss与CrossEntropyLoss是不同的。下面我详细讲一下哪里不同。
1、使用nn.BCELoss需要在该层前面加上Sigmoid函数。
公式如下：
2、使用nn.CrossEntropyLoss会自动加上Sofrmax层。
公式如下：
可以看出，这两个计算损失的函数使用的激活函数不同，故而最后的计算公式不同。
补充拓展：pytorch的BCELoss和crossentropy
BCELoss:
torch.nn.BCELoss:
Input:(N,*)(N,∗)where*∗means,anynumberofadditionaldimensions Target:(N,*)(N,∗),sameshapeastheinput Output:scalar.Ifreductionis'none',then(N,*)(N,∗),sameshapeasinput.
这里的输入和target目标必须形状一致，并且都是浮点数，二分类中一般用sigmoid的把输出挑出一个数：
>>>m=nn.Sigmoid() >>>loss=nn.BCELoss() >>>input=torch.randn(3,requires_grad=True) >>>target=torch.empty(3).random_(2) >>>output=loss(m(input),target) >>>output.backward()
CrossEntropyLoss:
input(N,C)#n是batchc是类别 target(N)
输入和target形状是不同的crossEntropy是自己会做softmax
>>>loss=nn.CrossEntropyLoss() >>>input=torch.randn(3,5,requires_grad=True) >>>target=torch.empty(3,dtype=torch.long).random_(5) >>>output=loss(input,target) >>>output.backward()
以上这篇细数nn.BCELoss与nn.CrossEntropyLoss的区别就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。