BCEWithLogitsLoss：尝试将预测标签的二进制输出作为张量，与输出层混淆
BCEWithLogitsLoss: Trying to get binary output for predicted label as a tensor, confused with output layer
我的数据集中的每个元素都有一个多标签张量，例如 [1, 0, 0, 1]，具有 1's 和 0's 的不同组合。在这种情况下，因为我有 4 个张量，所以我的神经网络的输出层为 4。在使用 BCEWithLogitsLoss 时，当我调用模型（输入）时，我获得了一个像 [3, 2, 0, 0] 这样的输出张量我用输出层指定的 (0, 3) 范围有 4 个输出神经元。这与目标预期的格式不匹配，尽管当我将输出神经元的数量更改为 2 时，我得到了形状不匹配错误。需要做什么来解决这个问题？
使用 BCEWithLogitsLoss 时，您对每个输出二进制标签进行一维预测。
在您的示例中，您有 4 个二元标签要预测，因此，您的模型输出 4d 向量，每个条目代表一个二元标签的预测。
使用 BCEWithLogitsLoss 您 隐式地 将 Sigmoid 应用于您的输出：
This loss combines a Sigmoid layer and the BCELoss in one single class.
因此，如果你想得到模型的预测概率，你需要添加一个torch.sigmoid on top of your prediction. The sigmoid函数来转换你预测的logits 到概率。
我的数据集中的每个元素都有一个多标签张量，例如 [1, 0, 0, 1]，具有 1's 和 0's 的不同组合。在这种情况下，因为我有 4 个张量，所以我的神经网络的输出层为 4。在使用 BCEWithLogitsLoss 时，当我调用模型（输入）时，我获得了一个像 [3, 2, 0, 0] 这样的输出张量我用输出层指定的 (0, 3) 范围有 4 个输出神经元。这与目标预期的格式不匹配，尽管当我将输出神经元的数量更改为 2 时，我得到了形状不匹配错误。需要做什么来解决这个问题？
使用 BCEWithLogitsLoss 时，您对每个输出二进制标签进行一维预测。
在您的示例中，您有 4 个二元标签要预测，因此，您的模型输出 4d 向量，每个条目代表一个二元标签的预测。
使用 BCEWithLogitsLoss 您 隐式地 将 Sigmoid 应用于您的输出：
This loss combines a Sigmoid layer and the BCELoss in one single class.
因此，如果你想得到模型的预测概率，你需要添加一个torch.sigmoid on top of your prediction. The sigmoid函数来转换你预测的logits 到概率。