mindspore.nn.CosineEmbeddingLoss

查看源文件
class mindspore.nn.CosineEmbeddingLoss(margin=0.0, reduction='mean')[源代码]

余弦相似度损失函数,用于测量两个Tensor之间的相似性。

给定两个Tensor \(x1\)\(x2\) ,以及一个Tensor标签 \(y\) ,值为1或-1,公式如下:

\[\begin{split}loss(x_1, x_2, y) = \begin{cases} 1-cos(x_1, x_2), & \text{if } y = 1\\ \max(0, cos(x_1, x_2)-margin), & \text{if } y = -1\\ \end{cases}\end{split}\]
参数:
  • margin (float) - 指定运算的调节因子,取值范围[-1.0, 1.0]。默认值: 0.0

  • reduction (str,可选) - 指定应用于输出结果的规约计算方式,可选 "none""mean""sum" ,默认值: "mean"

    • "none":不应用规约方法。

    • "mean":计算输出元素的平均值。

    • "sum":计算输出元素的总和。

输入:
  • logits_x1 (Tensor) - 输入Tensor,shape \((N, *)\) ,其中 \(*\) 代表任意数量的附加维度。

  • logits_x2 (Tensor) - 输入Tensor,shape \((N, *)\) 。shape和数据类型与 logits_x1 相同。

  • labels (Tensor) - 输入值为1或-1。假设 logits_x1 的shape是 \((x_1, x_2, x_3, ..., x_R)\) ,那么 labels 的shape必须是 \((x_1, x_3, x_4, ..., x_R)\)

输出:

Tensor或Scalar,如果 reduction 为"none",其shape与 labels 相同。否则,将返回为Scalar。

异常:
  • TypeError - margin 不是float。

  • ValueError - reduction 不为 "none""mean""sum"

  • ValueError - margin 的值不在范围[-1.0, 1.0]内。

支持平台:

Ascend GPU CPU

样例:

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> import numpy as np
>>> logits_x1 = ms.Tensor(np.array([[0.3, 0.8], [0.4, 0.3]]), ms.float32)
>>> logits_x2 = ms.Tensor(np.array([[0.4, 1.2], [-0.4, -0.9]]), ms.float32)
>>> labels = ms.Tensor(np.array([1, -1]), ms.int32)
>>> cosine_embedding_loss = nn.CosineEmbeddingLoss()
>>> output = cosine_embedding_loss(logits_x1, logits_x2, labels)
>>> print(output)
0.0003425479