pytorch 损失函数（nn.BCELoss 和 nn.CrossEntropyLoss）（思考多标签分类问题）

一、BCELoss 二分类损失函数

输入维度为（n, ）， 输出维度为(n, )

如果说要预测二分类值为1的概率，则建议用该函数！

输入比如是3维，则每一个应该是在0——1区间内（随意通常配合sigmoid函数使用），举例如下：

import torch
import torch.nn as nn

m = nn.Sigmoid()
loss = nn.BCELoss()
input = torch.randn(3,requires_grad=True)
target = torch.empty(3).random_(2)
output = loss(m(input), target)
output.backward()

input,target,output

返回值：
(tensor([-0.8728,  0.3632, -0.0547], requires_grad=True),
 tensor([1., 0., 0.]),
 tensor(0.9264, grad_fn=<BinaryCrossEntropyBackward>))

m(input)结果为：
tensor([0.2947, 0.5898, 0.4863])

计算output = (1 * ln 0.2947+(1-1)*ln(1-0.2947) + 0*ln0.5898 + (1-0)*ln(1-0.5898) + 0*ln0.4863 + (1-0)*ln(1-0.4863)) / 3 = 0.9264

二、nn.CrossEntropyLoss 交叉熵损失函数

输入维度（batch_size, feature_dim）

输出维度  (batch_size, 1)

X_input = torch.tensor[ [2.8883, 0.1760, 1.0774],

　　　　　　　　　　[1.1216, -0.0562, 0.0660],

　　　　　　　　　　[-1.3939, -0.0967, 0.5853]]

y_target = torch.tensor([1,2,0])

loss_func = nn.CrossEntropyLoss()

loss = loss_func(X_input, y_target)

计算流程：第一，x先softmax再log，得到x_hat  第二，y转0-1编码[1,2,0] 转[[0,1,0], [0,0,1], [1,0,0]] 再与x_hat相乘，取负取平均值

思考问题：多标签的分类任务中，怎么使用损失函数呢，是拆分是多个二分类问题呢，还是不用拆分直接用BCE呢（https://blog.csdn.net/rosefun96/article/details/88058708，参考：BCE 可以应用到多标签的分类任务中）？有什么区别呢？