### PyTorch 中逻辑回归损失函数的实例化方法 在 PyTorch 中，逻辑回归的损失函数可以通过多种方式进行实例化。以下是几种常见的实现方式： #### 方法一：使用内置的 `torch.nn.BCELoss` `torch.nn.BCELoss` 是 PyTorch 提供的一个用于二元分类任务的损失函数类。它可以计算预测值与真实标签之间的二元交叉熵损失[^2]。通过设置参数 `reduction='mean'` 或 `reduction='sum'`，可以选择对样本损失进行平均或求和。 ```python import torch import torch.nn as nn # 定义二元交叉熵损失函数 criterion = nn.BCELoss(reduction='mean') # 默认会对每个样本的损失取均值 ``` 此方法适用于已经经过 Sigmoid 激活函数处理过的输出值 \( \hat{y} \in [0, 1] \)，即输入到 BCELoss 的数据应位于区间 [0, 1] 内^。 --- #### 方法二：使用 `torch.nn.functional.binary_cross_entropy` 除了通过类的形式定义外，还可以直接调用函数接口 `binary_cross_entropy` 来计算二元交叉熵损失。这种方式更加灵活，适合动态图构建场景[^1]。 ```python loss_value = torch.nn.functional.binary_cross_entropy( sy_, y, reduction="mean" ) # 输入sy_需为Sigmoid激活后的结果 ``` 这里需要注意的是，`sy_` 表示模型输出经 Sigmoid 转换后的概率值，而 `y` 则是真实的标签值[^1]^。 --- #### 方法三：结合 `nn.BCEWithLogitsLoss` 使用 对于未经过 Sigmoid 激活的原始 logits 输出，推荐使用 `nn.BCEWithLogitsLoss`。这个函数不仅包含了二元交叉熵计算，还自动应用了 Sigmoid 操作，因此无需手动添加额外层来完成这一过程[^3]。 ```python # 定义带logits版本的二元交叉熵损失函数 criterion_logits = nn.BCEWithLogitsLoss() # 假设z为未经sigmoid变换的网络输出 loss_with_logits = criterion_logits(z, y) ``` 这种方法的优势在于其数值稳定性更好，在某些情况下能有效防止梯度消失问题的发生[^4]^。 --- ### 总结对比 | **方法** | **适用范围** | **优点** | |-----------------------------|-----------------------------------------------------------------------------------------------|-----------------------------------------------| | `nn.BCELoss` | 需要提前对输出执行 Sigmoid 激活操作 | 明确分离了激活与损失计算 | | `functional.binary_cross_entropy` | 功能同上，但更适配于脚本模式 | 更加轻量化 | | `nn.BCEWithLogitsLoss` | 接收未经 Sigmoid 处理的 raw logits 数据作为输入 | 数值稳定性强 | 无论采用哪种方案，都应当确保输入数据满足对应的要求以避免潜在错误。