這個東西，本質上和nn.BCELoss()沒有區別，只是在BCELoss上加了個logits函式(也就是sigmoid函式)，例子如下：

import torch
import torch.nn as nn

label = torch.Tensor([1, 1, 0])
pred = torch.Tensor([3, 2, 1])
pred_sig = torch.sigmoid(pred)
loss = nn.BCELoss()
print(loss(pred_sig, label))

loss = nn.BCEWithLogitsLoss()
print(loss(pred, label))

loss 
 
= nn.BCEWithLogitsLoss()
print(loss(pred_sig, label))

輸出結果分別為：

tensor(0.4963)
tensor(0.4963)
tensor(0.5990)

可以看到，nn.BCEWithLogitsLoss()相當於是在nn.BCELoss()中預測結果pred的基礎上先做了個sigmoid，然後繼續正常算loss。所以這就涉及到一個比較奇葩的bug，如果網路本身在輸出結果的時候已經用sigmoid去處理了，算loss的時候用nn.BCEWithLogitsLoss()…那麼就會相當於預測結果算了兩次sigmoid，可能會出現各種奇奇怪怪的問題——

因上求緣，果上努力~~~~ 作者：Learner-，轉載請註明原文連結：https://www.cnblogs.com/BlairGrowing/p/15970528.html