sigmoid交叉熵损失函数

sigmoid交叉熵损失函数是一种常用的损失函数，用于二分类问题。它结合了sigmoid激活函数和交叉熵损失函数。

sigmoid函数将输入值映射到0到1之间的概率值，可以用来表示样本属于某个类别的概率。交叉熵损失函数衡量了模型预测的概率分布与真实标签的差异。

下面是使用sigmoid交叉熵损失函数的例子：

import torch
import torch.nn as nn

# 定义模型
class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear = nn.Linear(10, 1)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        out = self.linear(x)
        out = self.sigmoid(out)
        return out

# 定义损失函数
criterion = nn.BCELoss()

# 定义输入和标签
x = torch.randn(1, 10)
y = torch.tensor([[1.]])

# 初始化模型
model = Model()

# 计算预测值
output = model(x)

# 计算损失
loss = criterion(output, y)

print("Loss:", loss.item())

在这个例子中，我们定义了一个简单的神经网络模型，包含一个线性层和一个sigmoid激活函数。然后使用BCELoss作为损失函数，计算模型预测值和真实标签之间的交叉熵损失。