本文已参与「新人创作礼」活动，一起开启掘金创作之路。
文章目录
BCELoss【错了跟我讲，我可以改，一起学】
用于二分类问题，计算loss值，与sigmoid函数一起使用（就是逻辑回归的那个公式，线性外面套一个sigmoid函数）
参考文档
理解
看它的参数说明大概能知道：
参数
- weight（张量*，*可选）–对每个批次元素的损失赋予的手动重新缩放重量。如果给定，则必须是大小为nbatch的张量。
- size_average（bool*，*可选）–已弃用（请参阅
reduction）。默认情况下，损失是批次中每个损失元素的平均数。请注意，对于某些损失，每个样本有多个元素。如果该字段size_average设置为False，则每个小批量的损失总和。何时reduce被忽略False。默认：True - reduce（bool*，*可选）–不推荐使用（请参阅
reduction）。默认情况下，根据，对每个小批量的损失进行平均或求和size_average。当reduce为is时False，则返回每批元素的损失，然后忽略size_average。默认：True - reduction（字符串*，*可选）–指定要应用于输出的减少量：
'none'|'mean'|'sum'。'none'：不应用缩减，'mean'：输出的总和除以输出中元素的数量，'sum'：输出的总和。注意：size_average和reduce正在弃用的过程中，同时，指定这两个args中的任何一个将覆盖reduction。默认：'mean'
**理解：**我们一般只用reduction这个参数，有两个选择：
'mean'：输出的总和除以输出中元素的数量 【以batch、迭代次数为单位进行一次计算】'sum'：输出的总和 【以单位样本个体进行一次计算】
我们需要查看其loss，一般在一个epoch中，要么每个batch输出一次，要么隔n个batch输出一次，因此，
如果使用mean（默认为mean），表示已经做了均值处理，只需要total_loss除以n（迭代次数）就可以；
如果使用sum,表示没有除以该batch中的样本数，则需要total_loss除以（n*batch_size）【最后一下如果不能整除，自然也就不会进行这一步的total_loss转loss计算】
代码如下：
total_loss += loss.item()
if i % 3 == 0:
# print("len(trainLoader):", len(trainLoader))
# print("len(x)", len(x))
print(f'[{time_since(start)}] Epoch {epoch} ', end='')
print(f'[{i * len(x[0])}/{len(trainSet)}] ', end='')
print(f'loss = {total_loss / (i * len(x[0]))} ', end='')
print(f'loss = {total_loss / (i)} ', end='')
print(f'[{total_loss} / {(i )}]')
