用pytorch代码实现二分类交叉熵损失函数，不要用损失函数

如果你不想使用PyTorch提供的损失函数，可以使用以下代码实现二分类交叉熵损失函数：

import torch
import torch.nn as nn

def binary_cross_entropy(pred, target):
    epsilon = 1e-7  # 避免log(0)的情况，添加一个小的常数
    loss = -target * torch.log(pred + epsilon) - (1 - target) * torch.log(1 - pred + epsilon)
    return loss.mean()

# 模拟模型输出和目标标签
pred = torch.tensor([0.5, 0.8, 0.2])
target = torch.tensor([1, 0, 1], dtype=torch.float32)

# 计算损失
loss = binary_cross_entropy(pred, target)
print(loss.item())  # 输出损失值

在这段代码中，我们定义了一个`binary_cross_entropy`函数，它接受模型的预测结果`pred`和目标标签`target`作为输入。然后，我们通过计算每个样本的二分类交叉熵损失，并计算所有样本的平均值作为最终的损失值。

请注意，在实际使用中，推荐使用PyTorch提供的损失函数，因为它们经过了优化和验证。这里的代码只是为了演示如何手动实现二分类交叉熵损失函数。