使用bce_logits_loss训练判别器时是否采用全1全0向量作为正负目标？

训练GAN判别器调用nn.BCEWithLogitsLoss()时，仍然需要用元素全为1的张量对应真实正样本目标、元素全为0的张量对应生成负样本目标，标签规则和使用普通nn.BCELoss()完全一致。

nn.BCEWithLogitsLoss()的设计目的只是把Sigmoid激活操作和BCELoss计算合并为单一层，通过log-sum-exp技巧提升数值稳定性，避免直接算Sigmoid再算损失时出现的数值溢出问题，它本身没有修改二元交叉熵的标签定义：

• 输入的第一个参数是判别器输出的原始logits（不需要提前过Sigmoid）
• 输入的第二个参数是和logits同形状的目标张量，取值范围约定为[0,1]，正样本对应1、负样本对应0
• 内部计算逻辑等价于：先对输入logits逐元素做Sigmoid，再计算逐元素二元交叉熵，最后按设定的归约方式（默认求平均）输出损失值

你给出的测试代码可以直接验证这个规则：

import torch
import torch.nn as nn
bce_logits_loss = nn.BCEWithLogitsLoss()
x = torch.ones(1000)*.5
ones = torch.ones(1000)
zeros = torch.zeros(1000)
err1 = bce_logits_loss(x, ones)
err2 = bce_logits_loss(x, zeros)

运行后得到的err1约为0.474，对应预测logit为0.5（Sigmoid后约0.622）时判定为正样本的损失；err2约为0.974，对应同样预测值判定为负样本的损失，两个值的差异完全符合二分类交叉熵的计算逻辑，证明标签规则没有变化。

如果你在训练时用标签平滑技巧（比如正样本标签设为0.9、负样本设为0.1，避免判别器过度自信），属于主动调整目标值的训练策略，和损失函数本身的标签要求无关，标准GAN训练默认使用全1、全0的硬标签即可。

内容的提问来源于stack exchange，提问作者russian_spy