之前学了很久的Tensorflow，最近也在研究Pytorch，对损失函数的部分做以下的总结。本文只介绍二分类的二元交叉熵损失。这里不考虑batchsize的情况。只聚焦于公式本身和接口。

在劳动力自动化模型工具用途的表层，选择指标的各种，具体分析可以分成这两类：1 归回， 2 分级

一、回归模型

最先用的损毁函数公式：MSE(mean squared error)

公式如下：? ? ?

?ym是真实的函数值，是你的模型预测的函数值。M代表 预测的样本个数。

二、 分类模型

关键在于，必须要 清楚，区分的Pytorch板本 能同时传参的方程不完是一样的，于我也 我关键详列1.7.0板本的很多可以用的二元相交熵折损方程，甚至这些的区分。亲们如何想进步读书，网页如下所述： torch.nn.functional — PyTorch 1.7.0 documentation 最易用的亏损函数值：BCE(binary cross entropy)

公式如下：

?yi是完美元素，xi 是 实体模型估计的几率比值。

1、torch.nn.functional.binary_cross_entropy_with_logits(input, target)

此二元交叉性熵损毁的会快捷设置对input当中的每一家数据资料通过sigmoid清理。 事例： input = [0.3923, -0.2236, -0.3195] target = [0, 1, 0] loss = 0.7752 如图所示.我他们测算的效果，下如图所示是资源调用的Pytorch客服电话的函数公式。

?

?

先提到这，最后的函数值再补充维生素把。