比较与torch.nn.CosineEmbeddingLoss的功能差异

查看源文件

torch.nn.CosineEmbeddingLoss

class torch.nn.CosineEmbeddingLoss(
    margin=0.0,
    size_average=None,
    reduce=None,
    reduction='mean'
)(x1, x2, target) -> Tensor

更多内容详见torch.nn.CosineEmbeddingLoss

mindspore.nn.CosineEmbeddingLoss

class mindspore.nn.CosineEmbeddingLoss(
    margin=0.0,
    reduction='mean'
)(logits_x1, logits_x2, labels) -> Tensor/Scalar

更多内容详见mindspore.nn.CosineEmbeddingLoss

差异对比

PyTorch:余弦相似度损失函数,用于测量两个Tensor之间的相似性。

MindSpore:与PyTorch实现同样的功能。

分类

子类

PyTorch

MindSpore

差异

参数

参数1

margin

margin

-

参数2

size_average

-

已弃用,功能由reduction接替

参数3

reduce

-

已弃用,功能由reduction接替

参数4

reduction

reduction

-

输入

输入1

x1

logits_x1

功能一致,参数名不同

输入2

x2

logits_x2

功能一致,参数名不同

输入3

target

labels

功能一致,参数名不同

代码示例

两API实现功能相同,使用方法相同。

# PyTorch
import torch
from torch import tensor, nn
import numpy as np

input1 = tensor(np.array([[0.3, 0.8], [0.4, 0.3]]), dtype=torch.float32)
input2 = tensor(np.array([[0.4, 1.2], [-0.4, -0.9]]), dtype=torch.float32)
target = tensor(np.array([1, -1]), dtype=torch.int32)
cosine_embedding_loss = nn.CosineEmbeddingLoss()
output = cosine_embedding_loss(input1, input2, target)
print(output.detach().numpy())
# 0.0003426075

# MindSpore
import mindspore
from mindspore import Tensor, nn
import numpy as np

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