Бинарная ошибка по логиту в PyTorch

Когда на каждый пример приходится одно число-логит, а метка - ноль или один, удобен класс BCEWithLogitsLoss. Он сам переводит логит в вероятность и сравнивает её с меткой; сигмоиду перед ошибкой ставить не нужно.

Зададим логит, метку как дробный тензор и выведем одно число ошибки:

import torch
import torch.nn as nn

logits = torch.tensor([0.5])
target = torch.tensor([1.0])

loss_fn = nn.BCEWithLogitsLoss()
print(loss_fn(logits, target).item())
# выведет 0.4740769863128662

Посчитайте ошибку для логита [-0.2] и метки [0.0] в виде дробного тензора. Выведите одно число.

Возьмите три логита [1.0, -1.0, 0.0] и метки [1.0, 0.0, 1.0]. Выведите среднюю ошибку по примерам одним числом.

При логите 0.0 и метке 1.0 выведите ошибку. Затем при том же логите и метке 0.0 выведите второе число. Выведите два числа в двух строках.