1. binary_cross_entropy_with_logits可用于多标签分类
torch.nn.functional.binary_cross_entropy_with_logits等价于torch.?nn.BCEWithLogitsLoss
torch.nn.BCELoss+torch.nn.Sigmoid 等价于?torch.?nn.BCEWithLogitsLoss
在pytorch中torch.nn.functional.binary_cross_entropy_with_logits和tensorflow中tf.nn.sigmoid_cross_entropy_with_logits，都是二值交叉熵，二者等价。
接受任意形状的输入，target要求与输入形状一致。注意：target的值必须在[0,N-1]之间，其中N为类别数，否则会出现莫名其妙的错误，比如loss为负数。
二值交叉熵的Loss如下：
其中??可以解释为：预测这个样本为第i个类别的损失
?
??解释为类别的权重，重视某个类别，则加大该类别权重。
from torch import nn
from torch.autograd import Variable
bce_criterion = nn.BCEWithLogitsLoss(weight = None, reduce = False)
y = Variable(torch.tensor([[1,0,0],[0,1,0],[0,0,1],[1,1,0],[0,1,0]],dtype=torch.float64))
logits = Variable(torch.tensor([[12,3,2],[3,10,1],[1,2,5],[4,6.5,1.2],[3,6,1]],dtype=torch.float64))
bce_criterion(logits, y)binary_cross_entropy_with_logits中的target（标签）的one_hot编码中每一维可以出现多个1，而softmax_cross_entropy_with_logits 中的target的one_hot编码中每一维只能出现一个1
2.?softmax_cross_entropy_with_logits?
binary_cross_entropy_with_logits是二分类的交叉熵，实际是多分类softmax_cross_entropy的一种特殊情况
?
from torch import nn
from torch.autograd import Variable
bce_criterion = nn.BCEWithLogitsLoss(weight = None, reduce = False)
y = Variable(torch.tensor([[1,0,0],[0,1,0],[0,0,1],[0,1,0],[0,1,0]],dtype=torch.float64))
logits = Variable(torch.tensor([[12,3,2],[3,10,1],[1,2,5],[4,6.5,1.2],[3,6,1]],dtype=torch.float64))
bce_criterion(logits, y)target中one_hot编码后每一行只能出现一个1
准确率评价参考：(69条消息) 多标签分类中的损失函数与评估指标_小Aer的博客-CSDN博客_多标签分类损失函数
参考：binary_cross_entropy_with_logits-API文档-PaddlePaddle深度学习平台
?
