mindspore.nn.LossBase

class mindspore.nn.LossBase(reduction='mean')

损失函数的基类。

自定义损失函数时应重写 construct ，并使用方法 self.get_loss 将 reduction 应用于loss计算。

参数：

• 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（加权）平均值。

  • "sum"：计算输出元素的总和。

异常：

• ValueError - reduction 不为 'none' 、 'mean' 或 'sum' 。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import ops, Tensor, nn
>>> import numpy as np
>>>
>>> class Net(nn.LossBase):
...     def __init__(self, reduction='mean'):
...         super(Net, self).__init__(reduction)
...         self.abs = ops.Abs()
...
...     def construct(self, logits, labels):
...         x = self.abs(logits - labels)
...         output = self.get_loss(x)
...         axis = self.get_axis(x)
...         return output, axis
>>> net = Net()
>>> # Case 1: logits.shape = labels.shape = (3,)
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output, axis = net(logits, labels)
>>> print(output)
0.33333334
>>> print(axis)
(0,)
>>> # Case 2: logits.shape = labels.shape = (3, 3)
>>> logits = Tensor(np.array([[1, 2, 3],[1, 2, 3],[1, 2, 3]]), mindspore.float32)
>>> labels = Tensor(np.array([[1, 2, 2],[1, 2, 3],[1, 2, 3]]), mindspore.float32)
>>> output, axis = net(logits, labels)
>>> print(output)
0.11111111
>>> print(axis)
(0, 1)

get_axis(x)

获取输入的轴范围。

参数：

• x (Tensor) - 任何shape的Tensor。

get_loss(x, weights=1.0)

计算加权损失。

参数：

• x (Tensor) - shape为 \((N, *)\) 的输入Tensor，其中 \(*\) 表示任意数量的附加维度。

• weights (Union[float, Tensor], 可选) - 权重。当 weights 为Tensor时，其rank必须为0或与输入相同，并且必须可广播到输入（即，所有维度必须为 1 ，或与相应输入的维度相同）。默认值： 1.0。

返回：

返回加权损失。