此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 类
  • BCEWithLogitsLoss
Claude CodeCodexCursor
Luxonis 智能体工具包为你常用的编程智能体加载 Luxonis 上下文与技能,更快地基于 OAK 开发应用。
安装工具包

bce_with_logits

最后更新
Python API: luxonis_train.attached_modules.losses.bce_with_logits对原始 logits 进行二元交叉熵计算。

类

BCEWithLogitsLoss

对 logits 进行二元交叉熵计算,其中 sigmoid 函数包含在损失函数内部。该损失函数将 sigmoid 和二元交叉熵结合在一个步骤中。这比 Sigmoid 层后接 BCELoss 更具数值稳定性,因为组合步骤使用了 log-sum-exp 技巧。
  • 输入::
    • predictions (Tensor): [B, C, ...] logits
    • target (Tensor): 相同形状,浮点值在 [0, 1] 之间
  • 输出::
    • Tensor: 标量,或当 reduction 为 "none" 时为 [B, C, ...]
  • 公式:: 对于 logit x,其目标 y,以及 sigmoid σ,一个元素的损失为 ℓ = − w[p ylogσ(x) + (1 − y)log(1 − σ(x))] 这里的 w 来自 weight,p 来自 pos_weight。如果未设置,两者都为 1。然后 reduction 对所有元素取平均值或求和,或者保留每个元素的损失。

方法

init
Python
1def __init__(weight: list[float] | None = None, reduction: Literal['none', 'mean', 'sum'] = 'mean', pos_weight: Tensor | None = None, **kwargs):
初始化损失函数和封装的 nn.BCEWithLogitsLoss。参数
  • weight (list[float] | None): 元素损失的因子。该列表将成为一个张量,与形状为 [B, C, ...] 的损失进行广播,并在最后一个维度对齐。对于形状为 [B, C] 的目标,包含 C 个值的列表为每个类别提供一个因子。对于形状为 [B, C, H, W] 的目标,该列表与 W 对齐,而不是与类别对齐。None 使每个元素的因子为 1。
  • reduction (Literal['none', 'mean', 'sum']): 如何减少元素的损失:
    • "none": 返回每个元素的损失。
    • "mean": 返回所有元素的平均值。
    • "sum": 返回所有元素的总和。
  • pos_weight (Tensor | None): 损失正项的因子。该张量与目标进行广播,并在最后一个维度对齐。对于形状为 [B, C, H, W] 的目标,形状为 [C, 1, 1] 的张量为每个类别提供一个因子。None 使因子为 1。列表会引发 TypeError。
  • **kwargs: 转发给 BaseLoss 的关键字参数,例如 final_loss_weight 和 node。
forward
Python
1def forward(predictions: Tensor, target: Tensor) -> Tensor:
计算 logits 和目标之间的二元交叉熵。参数
  • predictions (Tensor): 形状为 [B, C, ...] 的 logits,是节点的主要输出。
  • target (Tensor): 形状与 predictions 相同的 [0, 1] 范围内的浮点目标。classification 标签的形状为 [B, C],segmentation 标签的形状为 [B, C, H, W]。
返回
  • Tensor: 对于 "mean" 和 "sum" 归约,返回一个标量。对于 "none",返回每个元素的损失,形状为 [B, C, ...]。
抛出
  • RuntimeError: 当 predictions 和 target 形状不同时。

属性

criterion
supported_tasks