sigmoid_cross_entropy_with_logits

paddle.fluid.layers. sigmoid_cross_entropy_with_logits ( x, label, ignore_index=- 100, name=None, normalize=False ) [源代码]

在每个类别独立的分类任务中，该OP可以计算按元素的概率误差。可以将其视为预测数据点的标签，其中标签不是互斥的。例如，一篇新闻文章可以同时关于政治，科技，体育或者同时不包含这些内容。

logistic loss可通过下式计算：

已知:

代入上方计算logistic loss公式中:

为了计算稳定性，防止

溢出，当

时，loss将采用以下公式计算:

输入 X 和 label 都可以携带LoD信息。然而输出仅采用输入 X 的LoD。

参数:

• x (Variable) - (Tensor, 默认 Tensor<float>)，形为 N x D 的二维张量，N为batch大小，D为类别数目。该输入是一个由先前运算得出的logit组成的张量。logit是未标准化(unscaled)的log概率， 公式为

  

  , 数据类型为float32或float64。

• label (Variable) - (Tensor, 默认 Tensor<float>) 具有和 X 相同数据类型，相同形状的二维张量。该输入张量代表了每个logit的可能标签。

• ignore_index （int） - （int，默认kIgnoreIndex）指定被忽略的目标值，它不会影响输入梯度。

• name (str，可选) – 具体用法请参见 Name ，一般无需设置，默认值为None。

• normalize （bool） - 如果为true，则将输出除以除去ignore_index对应目标外的目标数，默认为False。

返回： Variable(Tensor, 默认Tensor<float>), 形为 N x D 的二维张量，其值代表了按元素的logistic loss，数据类型为float32或float64。

返回类型：变量(Variable)

代码示例

import paddle.fluid as fluid
input = fluid.layers.data(
    name='data', shape=[10], dtype='float32')
label = fluid.layers.data(
    name='data', shape=[10], dtype='float32')
loss = fluid.layers.sigmoid_cross_entropy_with_logits(
    x=input,
    label=label,
    ignore_index=-1,
    normalize=True) # or False
# loss = fluid.layers.reduce_sum(loss) # loss之和