二元交叉熵（Binary cross entropy）是二分類中常用的損失函式，它可以衡量兩個機率分佈的距離，二元交叉熵越小，分佈越相似，其公式如下：
我們用jupyter notebook舉例解釋一下，
假設 1個影像樣本由神經網路處理後的輸出是 size 10×4 的tensor，隨機生成一個tensor，
使用Sigmoid對該tensor進行機率變換，tensor的每個數值的變換都是相互獨立的，下面得出預測的機率分佈，
我們在這裡隨機生成一個真值的機率分佈y，
自己定義一下BCELoss，需要輸入預測的機率分佈和真值的機率分佈，BCELoss對每一對機率值（probm,n，ym,n）單獨計算交叉熵，然後求和，再求平均，
手動計算一下，結果一致，
使用F.binary_cross_entropy 驗證一下，同樣需要輸入預測的機率分佈和真值的機率分佈，
再使用F.binary_cross_entropy_with_logits驗證一下，直接輸入神經網路的輸出和真值的機率分佈，
相比F.binary_cross_entropy函式，F.binary_cross_entropy_with_logits函式在內部使用了sigmoid函式，也就是
F.binary_cross_entropy_with_logits = sigmoid + F.binary_cross_entropy。
實際使用時：
假設輸入神經網路的batch_size= 8，每個影像樣本經過處理後的輸出是 size = 10×4 的tensor，每個 tensor 被看作 40 個樣本點的集合，那麼 8個影像樣本得到 320個樣本點，
F.binary_cross_entropy_with_logits函式和 F.binary_cross_entropy函式的 reduction 引數都預設是‘mean’模式，直接使用預設值的話，結果是320個樣本點的二元交叉熵的平均值，
若要計算8個影像樣本的二元交叉熵的平均值，可以設定 reduction=‘sum’ ， 這樣能得到 320個樣本點的二元交叉熵的和，然後除以batch_size 就能得到8個影像樣本的二元交叉熵的平均值，
loss = F.binary_cross_entropy_with_logits(predict, y, weight, reduction='sum') / batch_size
這裡的predict 和 y都是 8×10×4 的shape。
BCELoss與BCEWithLogitsLoss的關聯：BCEWithLogitsLoss = Sigmoid + BCELoss，
Enjoy it!