import torch.nn as nn
nn.BCELoss((weight=None, size_average=None, reduce=None, reduction=‘mean’))

一、torch.nn.BCELoss()介绍
  BCELoss()是计算目标值和预测值之间的二进制交叉熵损失函数。其公式如下:
l n = − w n ⋅ [ y n ⋅ l o g x n + ( 1 − y n ) ⋅ l o g ( 1 − x n ) ] l_n=-w_n·[{y_n·logx_n}+{(1-y_n)·log(1-x_n)}] ln​=−wn​⋅[yn​⋅logxn​+(1−yn​)⋅log(1−xn​)]
  其中， w n w_n wn​表示权重矩阵， x n x_n xn​表示预测值矩阵（输入矩阵被激活函数处理后的结果）， y n y_n yn​表示目标值矩阵。（注意， l o g log log以 e e e为底，即数学中的 l n ln ln）

二、torch.nn.BCELoss()应用
代码：

import torch
import torch.nn as nn
weights=torch.tensor([[1, 1,  0],
        [1,  1,  1],
        [1,  1, 1]])
m = nn.Sigmoid()
loss = nn.BCELoss(weight=weights,reduction='none')
input = torch.tensor([[-0.1514,  0.0744, -1.5716],
        [-0.3198, -1.2424, -1.4921],
        [ 0.5548,  0.8131,  1.0369]], requires_grad=True)
target = torch.tensor([[0., 1., 0.],
        [0., 1., 1.],
        [0., 0., 0.]])
output = loss(m(input), target)
print(m(input))     #被激活函数处理的输入矩阵
print(target)        #目标值矩阵
print(weights)        #权重矩阵
print(output)        #损失值矩阵

运行结果：

tensor([[0.4622, 0.5186, 0.1720],
        [0.4207, 0.2240, 0.1836],
        [0.6352, 0.6928, 0.7383]], grad_fn=<SigmoidBackward>)
tensor([[0., 1., 0.],
        [0., 1., 1.],
        [0., 0., 0.]])
tensor([[1, 1, 0],
        [1, 1, 1],
        [1, 1, 1]])
tensor([[0.6203, 0.6566, 0.0000],
        [0.5460, 1.4960, 1.6950],
        [1.0085, 1.1802, 1.3404]], grad_fn=<BinaryCrossEntropyBackward>)