实际上没有必要这样做。PyTorch 具有代表二元交叉熵损失的 BCELoss。请在此处查看原始文档。这是一个简单的例子：

m = nn.Sigmoid() # initialize sigmoid layer
loss = nn.BCELoss() # initialize loss function
input = torch.randn(3, requires_grad=True) # give some random input
target = torch.empty(3).random_(2) # create some ground truth values
output = loss(m(input), target) # forward pass
output.backward() # backward pass

在下面给出的示例中，3 是批量大小，2 将是给定示例中每个类的概率。

loss = nn.CrossEntropyLoss()
input = torch.randn(3, 2, requires_grad=True)
target = torch.empty(3, dtype=torch.long).random_(2)
output = loss(input, target)

如果您的输入可以属于两个不同类别之一，您的网络必须有两个最终神经节点。然后目标张量必须是形状（小批量）并且只包含零和一。

通常，您的网络必须输出形状为 (minibatch, C) 的张量，其中 C 是您的数据可以分类的类别数。目标张量必须是形状 (minibatch) 并且仅包含 long 类型的数字，即集合 {0, ..., C-1} 的元素。

也许是一个现实世界的例子：你的网络充满了狗、猫和猪的图片。因此它有 3 个最终节点，它们（通常）表示输入图像显示狗（0 类）、猫（1 类）或猪（2 类）的概率。假设您一次将 10 张图像放入网络（小批量 = 10）。那么你的目标张量可能是：

torch.LongTensor([0, 2, 1, 0, 1, 0, 2, 2, 1, 0, 0, 1])

这可以解释为您的批次的第一张图片显示一只狗，第二张图片显示一只猪，第三张图片显示一只猫，......