比较与torch.nn.functional.soft_margin_loss的功能差异

查看源文件

torch.nn.functional.soft_margin_loss

torch.nn.functional.soft_margin_loss(input, target, size_average=None, reduce=None, reduction='mean')  -> Tensor/Scalar

更多内容详见torch.nn.functional.soft_margin_loss

mindspore.nn.SoftMarginLoss

class mindspore.nn.SoftMarginLoss(reduction='mean')(logits, labels)  -> Tensor

更多内容详见mindspore.nn.SoftMarginLoss

差异对比

PyTorch:针对二分类问题的损失函数,用于计算输入Tensor x 和目标值Tensor y (包含1或-1)的二分类损失值。

MindSpore:除两个在PyTorch已弃用的参数不同外,功能上无差异。

分类

子类

PyTorch

MindSpore

差异

参数

参数1

input

logits

功能一致,参数名不同

参数2

target

labels

功能一致,参数名不同

参数3

size_average

-

已弃用,被reduction取代,MindSpore无此参数

参数4

reduce

-

已弃用,被reduction取代,MindSpore无此参数

参数5

reduction

reduction

-

代码示例

两API实现功能一致,用法相同。

# PyTorch
import torch
from torch import tensor
import torch.nn as nn

logits = torch.FloatTensor([[0.3, 0.7], [0.5, 0.5]])
labels = torch.FloatTensor([[-1, 1], [1, -1]])
output = torch.nn.functional.soft_margin_loss(logits, labels)
print(output.numpy())
# 0.6764238

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

loss = mindspore.nn.SoftMarginLoss()
logits = Tensor(np.array([[0.3, 0.7], [0.5, 0.5]]), mindspore.float32)
labels = Tensor(np.array([[-1, 1], [1, -1]]), mindspore.float32)
output = loss(logits, labels)
print(output)
# 0.6764238