二分类的加权交叉熵损失函数 pytorch

在 PyTorch 中，可以使用 BCEWithLogitsLoss 作为二分类的加权交叉熵损失函数。BCEWithLogitsLoss 结合了 Sigmoid 函数和二分类交叉熵损失函数，用于处理二分类问题。

BCEWithLogitsLoss 可以考虑样本不平衡问题，并通过参数 pos_weight 来加权正样本的损失，从而调整模型在不同类别上的关注程度。pos_weight 是一个浮点数或者一个与类别数目相等的张量，用于指定正样本的权重。较大的 pos_weight 值会增加正样本的权重，从而使模型更关注正样本。

以下是使用 BCEWithLogitsLoss 和 pos_weight 的示例代码：

import torch
import torch.nn as nn

# 创建模型
model = nn.Linear(10, 1)

# 定义损失函数
weight = torch.tensor([1.0])  # 正样本的权重
criterion = nn.BCEWithLogitsLoss(pos_weight=weight)

# 生成样本和标签
input = torch.randn(3, 10)
target = torch.tensor([1, 0, 1], dtype=torch.float32).view(-1, 1)

# 计算损失
output = model(input)
loss = criterion(output, target)

print(loss)