如何使用经BCEWithLogitsLoss训练的二分类模型？

• 结论：训练完成后处理新输入时，完全可以在模型最后一层的输出后添加torch.sigmoid()（或F.sigmoid()），将模型输出的logits转换为0到1之间的概率值，以此判断样本所属类别。

• 原因说明：
  官方文档提到的“合并操作与单独用Sigmoid加BCELoss不同”，指的是训练阶段的数值稳定性优化——合并后的损失函数用log-sum-exp技巧避免了单独计算sigmoid可能出现的数值下溢/上溢问题，但从数学结果来看，模型学习到的参数和“先sigmoid再BCELoss”训练出来的参数是等价的。推理阶段不需要计算损失，只需要把模型输出的原始logits转换成概率，这时候单独调用sigmoid函数完全没问题，和训练时的逻辑是自洽的。

• 额外注意：
  推理前记得调用model.eval()，关闭dropout、BatchNorm等仅在训练时生效的层，避免影响推理结果。

内容的提问来源于stack exchange，提问作者Xudong