二分类任务中torch.nn.BCEWithLogitsLoss输入维度及网络配置咨询

单输出维度（[n, 1]）—— 二分类首选方式 #

• 网络最后层设置：使用nn.Linear(in_features, 1)，输出的logits形状为[n, 1]（n为样本数）。无需额外添加Sigmoid或Softmax层，因为BCEWithLogitsLoss内部已整合Sigmoid计算。
• 目标值要求：直接使用0/1标签，形状可为[n]或[n, 1]，无需做one-hot编码。比如标签0代表负类，1代表正类。
• 代码示例：

import torch
import torch.nn as nn

batch_size = 4
# 模拟网络输出的logits
logits = torch.randn(batch_size, 1)
# 模拟目标标签
targets = torch.randint(0, 2, (batch_size,))

loss_fn = nn.BCEWithLogitsLoss()
# 若标签是[n]形状，转成[n,1]后计算损失
loss = loss_fn(logits, targets.float().unsqueeze(1))

双输出维度（[n, 2]）—— 可行但冗余的方式 #

• 网络最后层设置：使用nn.Linear(in_features, 2)，输出的logits形状为[n, 2]。
• 目标值要求：需要将原始0/1标签转换为one-hot编码的浮点张量，形状为[n, 2]，比如标签0对应[1, 0]，标签1对应[0, 1]。
• 注意点：此时损失会对两个类别分别计算二元交叉熵，最终取平均值（默认reduction='mean'）。这种方式本质是把二分类拆成两个独立的二元分类任务，计算效率低于单输出方式，一般不推荐。
• 代码示例：

batch_size = 4
logits = torch.randn(batch_size, 2)
targets = torch.randint(0, 2, (batch_size,))
# 转换为one-hot编码
one_hot_targets = nn.functional.one_hot(targets, num_classes=2).float()

loss_fn = nn.BCEWithLogitsLoss()
loss = loss_fn(logits, one_hot_targets)

总结 #

优先选择单输出维度（[n, 1]），它更贴合二分类的直观逻辑，标签处理简单，计算效率更高。双输出维度虽能运行，但属于冗余设计，仅在特殊场景下考虑使用。

内容的提问来源于stack exchange，提问作者usr01