# smooth_bce_with_logits

Python API: `luxonis_train.attached_modules.losses.smooth_bce_with_logits`

带标签平滑的二元交叉熵。

## 类

### SmoothBCEWithLogitsLoss

带标签平滑的 logits 上的二元交叉熵。

损失将每个目标推向相反的类别。然后，它计算
[BCEWithLogitsLoss](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/attached_modules/losses/bce_with_logits.md)
在新目标上。

 * `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:`: 对于平滑因子 s，目标 y 变为 y’ = (1 − s) y + s (1 − y) 因此，目标 `1` 变为 1 − s，目标 `0` 变为 s。损失是 logits 和 y’ 的
   [BCEWithLogitsLoss](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/attached_modules/losses/bce_with_logits.md)，其中
   `bce_pow` 作为其 `pos_weight`。

> **参考**
> * 来源：本项目。
 * 许可证：Apache-2.0（本项目）

> **注意**
> `bce_pow` 不是指数。它是二元交叉熵正项的因子。

> **示例**
> 附加到 `model.nodes` 中的 `DDRNetSegmentationHead`：

```yaml
- name: DDRNetSegmentationHead
  inputs: [DDRNet]
  losses:
    - name: SmoothBCEWithLogitsLoss
```

 * `兼容:`: * 节点: *
   [BiSeNetHead](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/heads/bisenet_head.md)
       * [ClassificationHead](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/heads/classification_head.md)
       * [DDRNetSegmentationHead](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/heads/ddrnet_segmentation_head.md)
       * [SegmentationHead](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/heads/segmentation_head.md)
       * [TransformerClassificationHead](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/heads/transformer_classification_head.md)
       * [TransformerSegmentationHead](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/nodes/heads/transformer_segmentation_head.md)

#### 方法

##### init

```python
def __init__(label_smoothing: float = 0.0, bce_pow: float = 1.0, weight: list[float] | None = None, reduction: Literal['mean', 'sum', 'none'] = 'mean', **kwargs):
```

初始化损失和包装的
[BCEWithLogitsLoss](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/attached_modules/losses/bce_with_logits.md)。

参数

 * `label_smoothing` (`float`): 平滑因子 s。目标 `1` 变为 `1 - label_smoothing`，目标 `0` 变为 `label_smoothing`。`0.0` 保持目标不变。
 * `bce_pow` (`float`): 损失正项的因子，所有类别相同。它成为包装损失的 `pos_weight`。
 * `weight` (`list[float] | None`): 元素损失的因子。包装损失将列表转换为张量，该张量与损失广播，并在最后一个维度对齐。`None` 使每个元素的因子为 `1`。
 * `reduction` (`Literal['mean', 'sum', 'none']`): 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。
 * `**kwargs`: 转发给
   [BaseLoss](/software-v3/ai-inference/model-source/training/luxonis-train/luxonis-train-api-reference/attached_modules/losses/base_loss.md)
   的关键字参数，例如 `final_loss_weight` 和 `node`。

##### forward

```python
def forward(predictions: Tensor, target: Tensor) -> Tensor:
```

平滑目标并计算二元交叉熵。

> **示例**
> 平滑因子 `0.1` 将目标 `1` 和 `0` 转换为 `0.9` 和 `0.1`：

```pycon
>>> import torch
>>> import torch.nn.functional as F
>>> logits = torch.tensor([[2.0, -1.0]])
>>> target = torch.tensor([[1.0, 0.0]])
>>> loss = SmoothBCEWithLogitsLoss(label_smoothing=0.1)
>>> smoothed = torch.tensor([[0.9, 0.1]])
>>> bce = F.binary_cross_entropy_with_logits(logits, smoothed)
>>> torch.allclose(loss(logits, target), bce)
True
```

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。

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, ...]`。

引发

 * `RuntimeError`: 当 `predictions` 和 `target` 形状不同时。

#### 属性

##### criterion

##### supported_tasks
