nn.BCELoss与nn.CrossEntropyLoss的区别 最近的工程涉及到超分辨率增强的相关研究，阅读SRGAN的源代码的时候发现，在损失函数的设置上，生成器和判别器分别用了不同的损失函数： self.criterionG = nn.MSELoss()self.criterionD = nn.BCELoss() 并且，判别器使用的是BCELoss，经过查询，把nn

1.创作灵感 很多小伙伴在玩深度学习模型的时候，需要计算Groudtruth和predict图的dsc、IOU以及BCELoss。这两个关键的指标的程序有很多种写法，今天使用OpenCV绘制两张已知分布的图像，计算其dsc、IOU以及BCELoss。 2、图像如图所示 在一个100×100的区域内，红色框范围为预测值，黑色框的范围是真实值。则TP、FP、TN、FN的分布如图所示。 3程

在PyTorch中进行二分类，有三种主要的全连接层，激活函数和loss function组合的方法，分别是：torch.nn.Linear+torch.sigmoid+torch.nn.BCELoss，torch.nn.Linear+BCEWithLogitsLoss，和torch.nn.Linear（输出维度为2）+torch.nn.CrossEntropyLoss，BCEWithLogitsL

一直以来看到二元交叉熵损失函数（Binary Cross Entropy Loss，BCELoss） 还以为是很复杂的东西，原来其实是交叉熵损失函数（CrossEntropyLoss）的特殊情况，也就是二元交叉熵损失函数其实就是交叉熵损失函数。 推导如下： 对于多分类问题，交叉熵损失函数的一般形式如下： CrossEntropyLoss ( input , target ) = − ∑ i