pytorch二分类loss

在 PyTorch 中，可以使用二分类交叉熵损失函数（Binary Cross Entropy Loss）来进行二分类任务的损失计算。假设模型输出为 $y_i \in [0,1]$，标签为 $t_i \in \{0,1\}$，则二分类交叉熵损失函数的公式为：

$$
\text{BCELoss}(y, t) = -\frac{1}{N}\sum_{i=1}^N [t_i\log(y_i)+(1-t_i)\log(1-y_i)]
$$

其中，$N$ 为样本数。在实际使用时，可以使用 PyTorch 中的 `BCELoss` 类来实现二分类交叉熵损失的计算。

示例代码如下：

import torch.nn as nn
import torch

# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc = nn.Linear(10, 1)
        self.sig = nn.Sigmoid()

    def forward(self, x):
        x = self.fc(x)
        x = self.sig(x)
        return x

# 定义损失函数
criterion = nn.BCELoss()

# 定义输入和标签
x = torch.randn(2, 10)
t = torch.Tensor([1, 0]).view(2, 1)

# 计算输出
model = MyModel()
y = model(x)

# 计算损失
loss = criterion(y, t)

print(loss)

在上面的代码中，我们定义了一个简单的全连接神经网络模型 `MyModel`，并使用 `BCELoss` 类计算模型输出 `y` 和标签 `t` 的损失。需要注意的是，在计算损失时，`y` 的维度需要与 `t` 的维度相同。