fix bce_with_logits doc bug

docs/api/api_python/ops/mindspore.ops.BCEWithLogitsLoss.rst

@@ -9,7 +9,8 @@ mindspore.ops.BCEWithLogitsLoss
 
     .. math::
         \begin{array}{ll} \\
-            L_{ij} = -W_{ij}[Y_{ij}log(X_{ij}) + (1 - Y_{ij})log(1 - X_{ij})]
+            p_{ij} = sigmoid(X_{ij}) = \frac{1}{1 + e^{-X_{ij}}} \\
+            L_{ij} = -[Y_{ij}log(p_{ij}) + (1 - Y_{ij})log(1 - p_{ij})]
         \end{array}
 
     :math:`i` 表示 :math:`i^{th}` 样例， :math:`j` 表示类别。则，
@@ -23,6 +24,22 @@ mindspore.ops.BCEWithLogitsLoss
 
     :math:`\ell` 表示计算损失的方法。有三种方法：第一种方法是直接提供损失值，第二种方法是计算所有损失的平均值，第三种方法是计算所有损失的总和。
 
+    该算子会将输出乘以相应的权重。
+    :math:`weight` 表示一个batch中的每条数据分配不同的权重，
+    :math:`pos_weight` 为每个类别的正例子添加相应的权重。
+
+    此外，它可以通过向正例添加权重来权衡召回率和精度。
+    在多标签分类的情况下，损失可以描述为：
+
+    .. math::
+        \begin{array}{ll} \\
+            p_{ij,c} = sigmoid(X_{ij,c}) = \frac{1}{1 + e^{-X_{ij,c}}} \\
+            L_{ij,c} = -[P_{c}Y_{ij,c} * log(p_{ij,c}) + (1 - Y_{ij,c})log(1 - p_{ij,c})]
+        \end{array}
+
+    其中 c 是类别数目（C>1 表示多标签二元分类，c=1 表示单标签二元分类），n 是批次中样本的数量，:math:`P_c` 是 第c类正例的权重。
+    :math:`P_c>1` 增大召回率, :math:`P_c<1` 增大精度。
+
     参数：
         - **reduction** (str) - 指定用于输出结果的计算方式。取值为 'mean' 、 'sum' 或 'none' ，不区分大小写。如果 'none' ，则不执行 `reduction` 。默认值：'mean' 。
 

docs/api/api_python/ops/mindspore.ops.func_binary_cross_entropy_with_logits.rst

@@ -9,7 +9,8 @@ mindspore.ops.binary_cross_entropy_with_logits
 
     .. math::
         \begin{array}{ll} \\
-            L_{ij} = -W_{ij}[Y_{ij}log(X_{ij}) + (1 - Y_{ij})log(1 - X_{ij})]
+            p_{ij} = sigmoid(X_{ij}) = \frac{1}{1 + e^{-X_{ij}}} \\
+            L_{ij} = -[Y_{ij}log(p_{ij}) + (1 - Y_{ij})log(1 - p_{ij})]
         \end{array}
 
     :math:`i` 表示 :math:`i^{th}` 样例， :math:`j` 表示类别。则，
@@ -23,6 +24,22 @@ mindspore.ops.binary_cross_entropy_with_logits
 
     :math:`\ell` 表示计算损失的方法。有三种方法：第一种方法是直接提供损失值，第二种方法是计算所有损失的平均值，第三种方法是计算所有损失的总和。
 
+    该算子会将输出乘以相应的权重。
+    :math:`weight` 表示一个batch中的每条数据分配不同的权重，
+    :math:`pos_weight` 为每个类别的正例子添加相应的权重。
+
+    此外，它可以通过向正例添加权重来权衡召回率和精度。
+    在多标签分类的情况下，损失可以描述为：
+
+    .. math::
+        \begin{array}{ll} \\
+            p_{ij,c} = sigmoid(X_{ij,c}) = \frac{1}{1 + e^{-X_{ij,c}}} \\
+            L_{ij,c} = -[P_{c}Y_{ij,c} * log(p_{ij,c}) + (1 - Y_{ij,c})log(1 - p_{ij,c})]
+        \end{array}
+
+    其中 c 是类别数目（C>1 表示多标签二元分类，c=1 表示单标签二元分类），n 是批次中样本的数量，:math:`P_c` 是 第c类正例的权重。
+    :math:`P_c>1` 增大召回率, :math:`P_c<1` 增大精度。
+
     参数：
         - **logits** (Tensor) - 输入预测值，任意维度的Tensor。其数据类型为float16或float32。
         - **label** (Tensor) - 输入目标值，shape与 `logits` 相同。数据类型为float16或float32。

mindspore/python/mindspore/nn/loss/loss.py

@@ -640,7 +640,7 @@ class SoftMarginLoss(LossBase):
         ValueError: If `reduction` is not one of 'none', 'mean', 'sum'.
 
     Supported Platforms:
-        ``Ascend``
+        ``Ascend`` ``GPU``
 
     Examples:
         >>> loss = nn.SoftMarginLoss()

mindspore/python/mindspore/ops/function/nn_func.py

@@ -1094,7 +1094,7 @@ def binary_cross_entropy_with_logits(logits, label, weight, pos_weight, reductio
 
         \begin{array}{ll} \\
             p_{ij} = sigmoid(X_{ij}) = \frac{1}{1 + e^{-X_{ij}}} \\
-            L_{ij} = -[Y_{ij} * log(p_{ij}) + (1 - Y_{ij})log(1 - p_{ij})]
+            L_{ij} = -[Y_{ij}log(p_{ij}) + (1 - Y_{ij})log(1 - p_{ij})]
         \end{array}
 
     :math:`i` indicates the :math:`i^{th}` sample, :math:`j` indicates the category. Then,
@@ -1125,8 +1125,8 @@ def binary_cross_entropy_with_logits(logits, label, weight, pos_weight, reductio
         \end{array}
 
     where c is the class number (c>1 for multi-label binary classification, c=1 for single-label binary classification),
-    n is the number of the sample in the batch and :math:`p_c` is the weight of the positive answer for the class c.
-    :math:`p_c>1` increases the recall, :math:`p_c<1` increases the precision.
+    n is the number of the sample in the batch and :math:`P_c` is the weight of the positive answer for the class c.
+    :math:`P_c>1` increases the recall, :math:`P_c<1` increases the precision.
 
     Args:
         logits (Tensor): Input logits. Data type must be float16 or float32.

mindspore/python/mindspore/ops/operations/nn_ops.py

@@ -3035,7 +3035,7 @@ class SoftMarginLoss(Primitive):
         ValueError: If `reduction` is not one of 'none', 'mean' or 'sum'.
 
     Supported Platforms:
-        ``Ascend``
+        ``Ascend`` ``GPU``
 
     Examples:
         >>> loss = ops.SoftMarginLoss()
@@ -4138,7 +4138,7 @@ class BCEWithLogitsLoss(PrimitiveWithInfer):
 
         \begin{array}{ll} \\
             p_{ij} = sigmoid(X_{ij}) = \frac{1}{1 + e^{-X_{ij}}} \\
-            L_{ij} = -[Y_{ij} * log(p_{ij}) + (1 - Y_{ij})log(1 - p_{ij})]
+            L_{ij} = -[Y_{ij}log(p_{ij}) + (1 - Y_{ij})log(1 - p_{ij})]
         \end{array}
 
     :math:`i` indicates the :math:`i^{th}` sample, :math:`j` indicates the category. Then,
@@ -4169,8 +4169,8 @@ class BCEWithLogitsLoss(PrimitiveWithInfer):
         \end{array}
 
     where c is the class number (c>1 for multi-label binary classification, c=1 for single-label binary classification),
-    n is the number of the sample in the batch and :math:`p_c` is the weight of the positive answer for the class c.
-    :math:`p_c>1` increases the recall, :math:`p_c<1` increases the precision.
+    n is the number of the sample in the batch and :math:`P_c` is the weight of the positive answer for the class c.
+    :math:`P_c>1` increases the recall, :math:`P_c<1` increases the precision.
 
     Args:
         reduction (str): Type of reduction to be applied to loss. The optional values are 'mean', 'sum', and 'none',