损失函数总结（六）：KLDivLoss、BCEWithLogitsLoss

[1 引言](#1 引言)
[2 损失函数](#2 损失函数)
- [2.1 KLDivLoss](#2.1 KLDivLoss)
- [2.2 BCEWithLogitsLoss](#2.2 BCEWithLogitsLoss)
[3 总结](#3 总结)

1 引言

在前面的文章中已经介绍了介绍了一系列损失函数 (L1Loss、MSELoss、BCELoss、CrossEntropyLoss、NLLLoss、CTCLoss、PoissonNLLLoss、GaussianNLLLoss)。在这篇文章中，会接着上文提到的众多损失函数继续进行介绍，给大家带来更多不常见的损失函数的介绍。这里放一张损失函数的机理图：

2 损失函数

2.1 KLDivLoss

Kullback-Leibler散度（KL Divergence），通常称为KLDivLoss，是机器学习和深度学习中的一种损失函数，特别用于概率模型的上下文中，比如变分自动编码器（VAE）。它用来度量两个概率分布之间的差异。KLDivLoss的数学表达式如下：
K L D i v L o s s ( p ∥ q ) = E p ( x ) log ⁡ p ( x ) q ( x ) = ∑ i = 1 N p ( x i ) ⋅ ( log ⁡ p ( x i ) − log ⁡ q ( x i ) ) KLDivLoss(p∥q)=E_{p(x)} \log \frac{p(x)}{q(x)} = \sum_{i=1}^{N}p(x_i )⋅(\log p(x_i)−\log q(x_i)) KLDivLoss(p∥q)=Ep(x)logq(x)p(x)=i=1∑Np(xi)⋅(logp(xi)−logq(xi))

其中：

p p p 表示模型预测值。
q q q 表示模型实际值。
N N N 表示样本量。

代码实现（Pytorch）：

python 复制代码

import torch.nn.functional as F
kl_loss = nn.KLDivLoss(reduction="batchmean")
# input should be a distribution in the log space
input = F.log_softmax(torch.randn(3, 5, requires_grad=True), dim=1)
# Sample a batch of distributions. Usually this would come from the dataset
target = F.softmax(torch.rand(3, 5), dim=1)
output = kl_loss(input, target)

kl_loss = nn.KLDivLoss(reduction="batchmean", log_target=True)
log_target = F.log_softmax(torch.rand(3, 5), dim=1)
output = kl_loss(input, log_target)

KLDivLoss在知识蒸馏任务中有广泛应用，值得大家关注和了解。。。。

2.2 BCEWithLogitsLoss

BCEWithLogitsLoss 是二进制交叉熵损失函数（Binary Cross-Entropy Loss）的一种变体，通常用于深度学习中的二分类问题。这个损失函数常用于神经网络训练，特别是对二元分类任务（两个类别的分类）进行模型训练。BCEWithLogitsLoss的数学表达式如下：
L ( y , y ′ ) = − 1 n ∑ i = 1 n $y i log ( σ ( y i ' ) ) + ( 1 - y i ) log ( 1 - σ ( y i ' ) )$ L(y, y') = -\frac{1}{n} \sum_{i=1}^{n} $y_i \\log(\\sigma(y_i')) + (1 - y_i) \\log(1 - \\sigma(y_i'))$ L(y,y′)=−n1i=1∑n $yilog(σ(yi'))+(1-yi)log(1-σ(yi'))$

其中：

L ( y , y ′ ) L(y, y') L(y,y′) 是整个数据集上的损失。
n n n 是样本数量。
y i y_i yi 是第 i i i 个样本的实际标签，通常是0或1（表示两个类别中的一个）。
y i ′ y_i' yi′ 是第 i i i 个样本的模型预测的概率，通常在0和1之间。
σ ( ) \sigma() σ() 是sigmoid激活函数。

代码实现（Pytorch）：

python 复制代码

loss = nn.BCEWithLogitsLoss()
input = torch.randn(3, requires_grad=True)
target = torch.empty(3).random_(2)
output = loss(input, target)
output.backward()

整体来说和BCELoss没有什么区别。BCELoss+Sigmoid=BCEWithLogitsLoss

3 总结

到此，使用损失函数总结（六）已经介绍完毕了！！！如果有什么疑问欢迎在评论区提出，对于共性问题可能会后续添加到文章介绍中。如果存在没有提及的损失函数也可以在评论区提出，后续会对其进行添加！！！！

如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。