nn.BCEWithLogitsLoss实际上只是S形函数内部的交叉熵损失。如果模型的输出层未使用S形函数 Package ，则可以使用它。通常用于单个输出层神经元的原始输出。
简单地说，你的模型输出pred将是一个原始值。为了得到概率，你将不得不使用torch.sigmoid(pred)。（为了得到实际的类标签，你需要torch.round(torch.sigmoid(pred))。）然而，当你使用nn.BCEWithLogitsLoss时，你不需要做任何类似的事情（例如，取sigmoid）。这里你只需要做以下事情-

criterion = nn.BCEWithLogitsLoss()
loss = criterion(pred, target) # pred is just raw nn output

因此，对于实现部分，criterion接受两个 Torch Tensor-一个是原始nn输出，另一个是真实的类标签，然后使用S形对第一个进行 Package -对于Tensor中的每个元素，然后计算每对的交叉熵损失(-(target*log(sigmoid(pred)))，并将其减少到平均值。

所有的pytorch函数代码都是用C++实现的。实现的源代码在这里。
pytorch实现将BCEWithLogitsLoss计算为

其中t_n就是-relu(x)。这里使用t_n基本上是一种避免取正值指数的聪明方法（从而避免溢出）。通过将t_n代入l_n，可以使这一点变得更清楚，这将产生以下等效表达式

根据C++的实现他们在最后使用了这个函数：

static inline at::Tensor apply_loss_reduction(const at::Tensor& unreduced, int64_t reduction) {
    if (reduction == at::Reduction::Mean) {
      return unreduced.mean();
    } else if (reduction == at::Reduction::Sum) {
      return unreduced.sum();
    }
    return unreduced;
  }

正如您在documentation中所看到的，默认情况下，它们使用均值缩减。