问`pos_weight`参数在“`BCEWithLogitsLoss`”中的影响是什么？

EN

具有logits损失的二进制交叉熵(nn.BCEWithLogitsLoss，等价于F.binary_cross_entropy_with_logits)是乙状结肠层(nn.Sigmoid)，其次是二进制交叉熵损失(nn.BCELoss)。一般情况下，假设您处于多标签分类任务中，即可以用多个类标记单个输入。一个常见的子案例是有一个类:二进制分类任务。如果您将q定义为预测类的张量，并定义p，则基础真理[0,1]对应于每个类的真实概率。

二元交叉熵的显式是：

z = torch.sigmoid(q)
loss = -(w_p*p*torch.log(z) + (1-p)*torch.log(1-z))

引入w_p__，即与每个类的真正标签相关联的权重。有关这个职位使用的加权方案的更多详细信息，请阅读BCELoss。

对于给定的班级：

precision =  TP / (TP + FP)
recall = TP / (TP + FN)

然后，如果w_p > 1，它增加了对正分类的权重(分类为真)。这将倾向于增加假阳性(FP)，从而降低精度。类似地，如果是w_p < 1，我们将减少真类的权重，这意味着它将倾向于增加假阴性(FN)，从而降低回忆。