BCEloss() در PyTorch – انجمن DEV

Summarize this content to 400 words in Persian Lang
برای من یک قهوه بخر☕

*یادداشت ها:

()BCEloss می تواند تانسور 0D یا بیشتر از مقادیر صفر یا بیشتر را دریافت کند.float) توسط BCE Loss از تانسور 0D یا بیشتر D از عناصر صفر یا بیشتر محاسبه می شود که در زیر نشان داده شده است:

*یادداشت ها:

آرگومان اول برای مقداردهی اولیه است weight(اختیاری-پیش فرض:None-نوع:tensor از int، float یا bool). اگر داده نشود، این است 1.
وجود دارد reduction آرگومان برای مقداردهی اولیه (اختیاری-پیش فرض:’mean’-نوع:str). *’none’، ‘mean’ یا ‘sum’ را می توان انتخاب کرد.
وجود دارد size_average و reduce آرگومان اولیه سازی اما منسوخ شده اند.
استدلال اول این است input(الزامی-نوع:tensor از float). *باید باشد 0.
استدلال دوم این است target(الزامی-نوع:tensor از float). *باید باشد 0.

input و target باید یک اندازه باشد در غیر این صورت یک هشدار وجود دارد.
1D خالی یا بیشتر D input و target تانسورها با reduction=’mean’ بازگشت nan.
1D خالی یا بیشتر D input و target تانسورها با reduction=’sum’ بازگشت 0..

import torch
from torch import nn

tensor1 = torch.tensor([0.4, 0.8, 0.6, 0.3, 0.0, 0.5])
tensor2 = torch.tensor([0.2, 0.9, 0.4, 0.1, 0.8, 0.5])
# -w(y*logx+(1-y)*log(1-x)))
# -1(0.2*log0.4+(1-0.2)*log(1-0.4))
# ↓↓↓↓↓↓
# 0.5919+0.3618+0.7541+0.4414+80.0+0.6931 = 82.8423
# 82.8423 / 6 = 13.8071
bceloss = nn.BCELoss()
bceloss(input=tensor1, target=tensor2)
# tensor(7.2500)

bceloss
# BCELoss()

bceloss.reduction
# ‘mean’

print(bceloss.weight)
# None

bceloss = nn.BCELoss(weight=None, reduction=’mean’)
bceloss(input=tensor1, target=tensor2)
# tensor(13.8071)

bceloss = nn.BCELoss(weight=None, reduction=’sum’)
bceloss(input=tensor1, target=tensor2)
# tensor(82.8423)

bceloss = nn.BCELoss(weight=None, reduction=’none’)
bceloss(input=tensor1, target=tensor2)
# tensor([0.5919, 0.3618, 0.7541, 0.4414, 80.0000, 0.6931])

bceloss = nn.BCELoss(weight=torch.tensor([0., 1., 2., 3., 4., 5.]))
bceloss(input=tensor1, target=tensor2)
# tensor(54.4433)

bceloss = nn.BCELoss(weight=torch.tensor([0.]))
bceloss(input=tensor1, target=tensor2)
# tensor(0.)

bceloss = nn.BCELoss(weight=torch.tensor([0, 1, 2, 3, 4, 5]))
bceloss(input=tensor1, target=tensor2)
# tensor(54.4433)

bceloss = nn.BCELoss(weight=torch.tensor([0]))
bceloss(input=tensor1, target=tensor2)
# tensor(0.)

bceloss = nn.BCELoss(
weight=torch.tensor([True, False, True, False, True, False])
)
bceloss(input=tensor1, target=tensor2)
# tensor(13.5577)

bceloss = nn.BCELoss(weight=torch.tensor([False]))
bceloss(input=tensor1, target=tensor2)
# tensor(0.)

tensor1 = torch.tensor([[0.4, 0.8, 0.6], [0.3, 0.0, 0.5]])
tensor2 = torch.tensor([[0.2, 0.9, 0.4], [0.1, 0.8, 0.5]])

bceloss = nn.BCELoss()
bceloss(input=tensor1, target=tensor2)
# tensor(13.8071)

tensor1 = torch.tensor([[[0.4], [0.8], [0.6]], [[0.3], [0.0], [0.5]]])
tensor2 = torch.tensor([[[0.2], [0.9], [0.4]], [[0.1], [0.8], [0.5]]])

bceloss = nn.BCELoss()
bceloss(input=tensor1, target=tensor2)
# tensor(13.8071)

tensor1 = torch.tensor([])
tensor2 = torch.tensor([])

bceloss = nn.BCELoss(reduction=’mean’)
bceloss(input=tensor1, target=tensor2)
# tensor(nan)

bceloss = nn.BCELoss(reduction=’sum’)
bceloss(input=tensor1, target=tensor2)
# tensor(0.)

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

import torch
from torch import nn

tensor1 = torch.tensor([0.4, 0.8, 0.6, 0.3, 0.0, 0.5])
tensor2 = torch.tensor([0.2, 0.9, 0.4, 0.1, 0.8, 0.5])
                   # -w(y*logx+(1-y)*log(1-x)))
                   # -1(0.2*log0.4+(1-0.2)*log(1-0.4))
                   # ↓↓↓↓↓↓
                   # 0.5919+0.3618+0.7541+0.4414+80.0+0.6931 = 82.8423
                   # 82.8423 / 6 = 13.8071
bceloss = nn.BCELoss()
bceloss(input=tensor1, target=tensor2)
# tensor(7.2500)

bceloss
# BCELoss()

bceloss.reduction
# 'mean'

print(bceloss.weight)
# None

bceloss = nn.BCELoss(weight=None, reduction='mean')
bceloss(input=tensor1, target=tensor2)
# tensor(13.8071)

bceloss = nn.BCELoss(weight=None, reduction='sum')
bceloss(input=tensor1, target=tensor2)
# tensor(82.8423)

bceloss = nn.BCELoss(weight=None, reduction='none')
bceloss(input=tensor1, target=tensor2)
# tensor([0.5919, 0.3618, 0.7541, 0.4414, 80.0000, 0.6931])

bceloss = nn.BCELoss(weight=torch.tensor([0., 1., 2., 3., 4., 5.]))
bceloss(input=tensor1, target=tensor2)
# tensor(54.4433)

bceloss = nn.BCELoss(weight=torch.tensor([0.]))
bceloss(input=tensor1, target=tensor2)
# tensor(0.)

bceloss = nn.BCELoss(weight=torch.tensor([0, 1, 2, 3, 4, 5]))
bceloss(input=tensor1, target=tensor2)
# tensor(54.4433)

bceloss = nn.BCELoss(weight=torch.tensor([0]))
bceloss(input=tensor1, target=tensor2)
# tensor(0.)

bceloss = nn.BCELoss(
              weight=torch.tensor([True, False, True, False, True, False])
          )
bceloss(input=tensor1, target=tensor2)
# tensor(13.5577)

bceloss = nn.BCELoss(weight=torch.tensor([False]))
bceloss(input=tensor1, target=tensor2)
# tensor(0.)

tensor1 = torch.tensor([[0.4, 0.8, 0.6], [0.3, 0.0, 0.5]])
tensor2 = torch.tensor([[0.2, 0.9, 0.4], [0.1, 0.8, 0.5]])

bceloss = nn.BCELoss()
bceloss(input=tensor1, target=tensor2)
# tensor(13.8071)

tensor1 = torch.tensor([[[0.4], [0.8], [0.6]], [[0.3], [0.0], [0.5]]])
tensor2 = torch.tensor([[[0.2], [0.9], [0.4]], [[0.1], [0.8], [0.5]]])

bceloss = nn.BCELoss()
bceloss(input=tensor1, target=tensor2)
# tensor(13.8071)

tensor1 = torch.tensor([])
tensor2 = torch.tensor([])

bceloss = nn.BCELoss(reduction='mean')
bceloss(input=tensor1, target=tensor2)
# tensor(nan)

bceloss = nn.BCELoss(reduction='sum')
bceloss(input=tensor1, target=tensor2)
# tensor(0.)