pytorch中的多标签分类

我有一个多标签分类问题。我有11门课，大约4k的例子。每个示例可以有1到4-5个标签。目前，我正在为每个日志丢失的类分别训练一个分类器。正如您所期望的，训练11个分类器需要相当长的时间，我想尝试另一种方法，只训练1个分类器。其思想是，该分类器的最后一层将有11个节点，并将按类输出一个实数，该实数将由一个sigmoid转换为proba。我想优化的损失是所有类的log_损失的平均值

不幸的是，我对pytorch有些不了解，即使通过阅读损失的源代码，我也不知道已经存在的损失是否完全符合我的要求，或者我是否应该创建一个新的损失，如果是这样，我真的不知道如何做

具体来说，我想为批次的每个元素提供一个大小为11的向量（每个标签包含一个实数（越接近无穷大，该类预计越接近1），以及一个大小为11的向量（每个真实标签包含一个1），并能够计算所有11个标签上的平均对数损失，并基于该损失优化我的分类器

任何帮助都将不胜感激：）

您正在寻找。下面是示例代码：

导入火炬
批量大小=2
num_classes=11
损耗=火炬.nn.BCELoss（）
sigmoid之前的输出=torch.randn（批量大小，数量类）
sigmoid_输出=火炬。sigmoid（sigmoid前的输出）
target_classes=torch.randint（0,2，（批量大小，数量类））#randints在[0,2]中。
损耗=损耗fn（sigmoid输出、目标类）
#或者，在sigmoid之前的输出上使用BCE和logits。
loss_fn_2=torch.nn.BCEWithLogitsLoss（）
loss2=loss_fn_2（输出在sigmoid之前，目标类）
断言损失==损失2

谢谢你的回答，我相信这实际上是我想要的损失。我在我的网络中不做sigmoid，所以我选择使用BCEWithLogitsLoss。但是，我仍然遇到一个问题，当我运行代码时，我得到一个错误“->1651 loss=input-input*target+max\u val+（-max\u val.exp（）+（-input-max\u val.exp（））。log（）RuntimeError：预期对象的类型为torch.cuda.FloatTensor，但发现参数#2“other”的类型为torch.cuda.LongTensor，此错误来自BCEWithLogitsLoss的源代码。有什么见解吗？我自己设法解决了这个问题，加载目标时，我将其类型更改为float，它修复了我的错误。