sklearn中的logloss和Pytorch中的BCEloss之间的区别？答案

【问题标题】：Difference between logloss in sklearn and BCEloss in Pytorch?sklearn中的logloss和Pytorch中的BCEloss之间的区别？
【发布时间】：2019-09-19 20:17:43
【问题描述】：

查看 Sklearn 中的 logloss 和 Pytorch 中的 BCEloss 的文档，这些应该是相同的，即只是应用了权重的正常 log loss。但是，它们的行为不同 - 无论是否应用了权重。谁能给我解释一下？我找不到 BCEloss 的源代码（内部引用 binary_cross_entropy）。

input = torch.randn((3, 1), requires_grad=True)
target = torch.ones((3, 1), requires_grad=False)
w = torch.randn((3, 1), requires_grad=False)

# ----- With weights
w = F.sigmoid(w)
criterion_test = nn.BCELoss(weight=w)
print(criterion_test(input=F.sigmoid(input), target=F.sigmoid(target)))
print(log_loss(y_true=target.detach().numpy(), 
               y_pred=F.sigmoid(input).detach().numpy(), sample_weight=w.detach().numpy().reshape(-1), labels=np.array([0.,1.])))
print("")
print("")
# ----- Without weights
criterion_test = nn.BCELoss()
print(criterion_test(input=F.sigmoid(input),target=F.sigmoid(target)))
print(log_loss(y_true=target.detach().numpy(), 
               y_pred=F.sigmoid(input).detach().numpy(), labels=np.array([0.,1.])))

【问题讨论】：

@BramVanroy 它就在那里。参见criteria_test = nn.BCELoss(weight=w) 和logloss一样

标签： python scikit-learn pytorch loss-function cross-entropy

【解决方案1】：

关于没有权重的计算，使用BCEWithLogitsLoss 你会得到与sklearn.metrics.log_loss 相同的结果：

import torch
import torch.nn as nn
from sklearn.metrics import log_loss
import numpy as np

input = torch.randn((3, 1), requires_grad=True)
target = torch.ones((3, 1), requires_grad=False)

# ----- Without weights
criterion = torch.nn.BCEWithLogitsLoss()
criterion(input, target)
print('{:.6f}'.format(criterion(input, target)))
print('{:.6f}'.format((log_loss(y_true=target.detach().numpy(),
                                y_pred=torch.sigmoid(input).detach().numpy(),
                                labels=np.array([0.,1.])))))

注意：

这种损失将 Sigmoid 层和 BCELoss 组合在一个单一的班级。这个版本比使用普通版本在数值上更稳定 Sigmoid 后跟 BCELoss as，通过将操作组合成一个层，我们利用 log-sum-exp 技巧来计算数值稳定性。

【讨论】：

好的，谢谢。不知道那是更稳定的数值。然而，与此同时，我发现 BCELoss 至少不会在内部“标准化”权重，而来自 Sklearn 的 log_loss 会。

【解决方案2】：

其实我发现了。事实证明，当权重总和大于输入数组的维度时，BCELoss 和 log_loss 的行为会有所不同。有趣的。

【讨论】：