D_loss_real0 = binary_crossentropy_with_label_smoothing(logits=D_logit_real, labels=tf.ones_like(D_logit_real))为什么会出现报错TypeError: got an unexpected keyword argument 'logits'

这个报错可能是因为在使用binary_crossentropy_with_label_smoothing函数时，该函数不支持名为"logits"的参数。可能是由于该函数的版本不同或者参数命名有所变化所导致的。您可以查看函数的文档或者修改参数名来解决这个问题。

相关问题

D_loss_real0 = binary_crossentropy_with_label_smoothing(logits=D_logit_real, labels=tf.ones_like(D_logit_real))

您的第一个问题是有关二进制交叉熵损失函数的，特别是带标签平滑的二进制交叉熵。该函数被用来比较两个输入向量中的元素，通常用于判别器的训练过程中来衡量其输出与真实标签之间的差异。在您提供的公式中，logits表示神经网络的输出（或者预测），而labels则表示目标或真实的标签（或者答案）。函数将预测输出与真实标签进行比较，并返回相应的损失值。但是，我不了解您的具体上下文背景，所以无法提供更详细的答案。感谢您的提问！

F.binary_cross_entropy和F.binary_cross_entropy_with_logits的区别，及各自的用法

F.binary_cross_entropy和F.binary_cross_entropy_with_logits是PyTorch中常用的两个损失函数，用于二分类问题。

F.binary_cross_entropy的输入是预测结果和目标标签，它先将预测结果通过sigmoid函数映射到[0, 1]之间的概率值，再计算二分类交叉熵损失。这个函数适用于模型输出为概率值的情况。

F.binary_cross_entropy_with_logits的输入是预测结果和目标标签，但它不会对预测结果进行sigmoid转换。它先将预测结果称为“logits”，然后计算二分类交叉熵损失。这个函数适用于模型输出未经过概率映射的情况。

具体使用时，如果你的模型输出已经通过sigmoid激活函数得到了概率值，那么可以使用F.binary_cross_entropy；如果模型输出是未经过概率映射的原始值，那么应该使用F.binary_cross_entropy_with_logits。

示例代码如下：

import torch
import torch.nn.functional as F

# 模拟模型输出和目标标签
logits = torch.tensor([0.5, 0.8, 0.2])
targets = torch.tensor([1, 0, 1])

# 使用F.binary_cross_entropy计算损失
probs = torch.sigmoid(logits)
loss = F.binary_cross_entropy(probs, targets)
print(loss.item())  # 输出损失值

# 使用F.binary_cross_entropy_with_logits计算损失
loss_logits = F.binary_cross_entropy_with_logits(logits, targets)
print(loss_logits.item())  # 输出损失值

希望能帮助到你！