一个简单例子理解BCEWithLogitsLoss的作用_nn.bcewithlogitsloss() 例子

#BCEWithLogitsLoss研究

import torch
my_input = torch.FloatTensor([0.2,0.3,0.4])  #如果用这个固定的输入数据
loss_func = torch.nn.BCEWithLogitsLoss()

target = torch.FloatTensor([0,0,1]) 

#目标值，假定my_input 对应的是第3个分类

ww=torch.tensor([0.1,0.2,0.3]) #初始权值

#你调整target的值就知道，只有是1的地方，输出才会逐渐变大，其他会被抑制，通过反向传播，调整权值，将与1差距越来越大。

下面是用矩阵乘法实现模型正向传播。

运行以下程序你会看到第三个输出会变大

import torch
my_input = torch.FloatTensor([0.2,0.3,0.4])  #输入数据
loss_func = torch.nn.BCEWithLogitsLoss()
 
target = torch.FloatTensor([0,0,1])  #目标数据
 
ww=torch.tensor([0.1,0.2,0.3])
 
ww.requires_grad=True #ww允许求梯度
 
for i in range(500):
    pre=my_input * ww  #一个全链接
 
 
    loss=loss_func(pre,target)
 
    loss.backward()#反向传播求梯度
 
    ww.data=ww.data -ww.grad*0.01#修改权值
 
    print('BCEWithLogitsLoss:',loss.item())
 
    print("预测值:",pre)