
Классификация изображений с помощью глубоких сверточных нейронных сетей
457
функции потерь
nn.BCELoss()
. В случае многоклассовой классификации мы можем либо
предоставить логиты в качестве входных данных для функции потерь
nn.CrossEntropyLoss()
,
либо вычислить логарифмические вероятности на основе логитов и передать их функ-
ции потерь отрицательного логарифмического правдоподобия
nn.NLLLoss()
.
В следующем коде показано, как использовать эти функции потерь с двумя разными
форматами, где в качестве входных данных задают либо логиты, либо вероятности
принадлежности к классу:
>>> ####### Бинарная пе рекрестная энтр опия
>>> logits