mindspore.ops.gaussian_nll_loss

查看源文件
mindspore.ops.gaussian_nll_loss(x, target, var, full=False, eps=1e-06, reduction='mean')[源代码]

服从高斯分布的负对数似然损失。

目标值被认为是高斯分布的采样,其中期望和方差通过神经网络来预测。对于以高斯分布为模型的Tensor x 和记录期望的Tensor target ,以及均为正数的方差Tensor var 来说,计算的loss为:

\[\text{loss} = \frac{1}{2}\left(\log\left(\text{max}\left(\text{var}, \ \text{eps}\right)\right) + \frac{\left(\text{x} - \text{target}\right)^2} {\text{max}\left(\text{var}, \ \text{eps}\right)}\right) + \text{const.}\]

其中,\(eps\) 用于 \(log\) 的稳定性。当 \(full=True\) 时,一个常数会被添加到loss中。如果 \(var\)\(logits\) 的shape不一致(出于同方差性的假设),那么它们必须能够正确地广播。

参数:
  • x (Tensor) - shape为 \((N, *)\)\((*)\)\(*\) 代表着任意数量的额外维度。

  • target (Tensor) - shape为 \((N, *)\)\((*)\)。和 x 具有相同shape,或者相同shape但有一个维度为1(以允许广播)。

  • var (Tensor) - shape为 \((N, *)\)\((*)\)。和 x 具有相同shape,或者相同shape但有一个维度为1,或者少一个维度(以允许广播)。

  • full (bool,可选) - 指定损失函数中的常数部分。如果 \(full=True\) ,则常数为 \(const = 0.5*log(2\pi)\)。默认值: False

  • eps (float,可选) - 用于提高log的稳定性,必须大于0。默认值: 1e-6

  • 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。

返回:

Tensor或Tensor scalar,根据 \(reduction\) 计算的loss。

异常:
  • TypeError - xtarget 或者 var 不是Tensor。

  • TypeError - full 不是bool。

  • TypeError - eps 不是float。

  • ValueError - eps 不是在(0, inf)区间的float。

  • ValueError - reduction 不是 'none''mean' 或者 'sum'

参考:

Nix, D. A. and Weigend, A. S., “Estimating the mean and variance of the target probability distribution”, Proceedings of 1994 IEEE International Conference on Neural Networks (ICNN’94), Orlando, FL, USA, 1994, pp. 55-60 vol.1, doi: 10.1109/ICNN.1994.374138.

支持平台:

Ascend GPU CPU

样例:

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> import mindspore.common.dtype as mstype
>>> arr1 = np.arange(8).reshape((4, 2))
>>> arr2 = np.array([2, 3, 1, 4, 6, 4, 4, 9]).reshape((4, 2))
>>> x = Tensor(arr1, mstype.float32)
>>> var = Tensor(np.ones((4, 1)), mstype.float32)
>>> target = Tensor(arr2, mstype.float32)
>>> output = ops.gaussian_nll_loss(x, target, var)
>>> print(output)
1.4374993