工作原理

BCEWithLogitsLoss 是 PyTorch 中的一个损失函数，用于二分类问题。

它结合了 Sigmoid 激活函数和二元交叉熵（Binary Cross Entropy, BCE）损失在一个类中。

这不仅简化了代码，而且通过数值稳定性优化提高了模型训练的效率和效果。

使用方法

import torch
import torch.nn as nn

# 假设我们有一个批次大小为32，单通道，高度和宽度分别为64的图像
inputs = torch.randn(32, 1, 64, 64)  # 这是模型的输出（logits）
targets = torch.empty(32, 1, 64, 64).random_(2)  # 随机生成的目标（0或1）

# 创建损失函数实例
criterion = nn.BCEWithLogitsLoss()

# 计算损失
loss = criterion(inputs, targets)

print(f"Loss: {loss.item():.4f}")

需要注意的是，inputs和targets应该格式匹配

注意事项

由于BCEWithLogitsLoss 已经内置了Sigmoid函数，所以不需要显示的再应用sigmoid函数

seg_maps = model(images)  # 输出是 logits（不需要激活）

loss = criterion_segment(seg_maps, masks.unsqueeze(1).float())  # 直接输入 logits