mindspore.nn.SmoothL1Loss

查看源文件
class mindspore.nn.SmoothL1Loss(beta=1.0, reduction='none')[源代码]

SmoothL1损失函数,如果预测值和目标值的逐个元素绝对误差小于设定阈值 beta 则用平方项,否则用绝对误差项。

给定两个输入 \(x,\ y\),SmoothL1Loss定义如下:

\[\begin{split}L_{i} = \begin{cases} \frac{0.5 (x_i - y_i)^{2}}{\beta}, & \text{if } |x_i - y_i| < {\beta} \\ |x_i - y_i| - 0.5 {\beta}, & \text{otherwise.} \end{cases}\end{split}\]

其中,\({\beta}\) 代表阈值 beta

reduction 不是设定为 none 时,计算如下:

\[\begin{split}L = \begin{cases} \operatorname{mean}(L_{i}), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L_{i}), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]

说明

参数:
  • beta (float) - 损失函数计算在L1Loss和L2Loss间变换的阈值。默认值: 1.0

  • 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: 'none'

    • "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 (Tensor) - 预测值,任意维度Tensor。数据类型为float16或float32。

  • labels (Tensor) - 目标值,数据类型和shape与 logits 相同的Tensor。

输出:

Tensor。如果 reduction 为’none’,则输出为Tensor且与 logits 的shape相同。否则shape为 \(()\)

异常:
  • TypeError - beta 不是float。

  • ValueError - reduction 不是’none’,’mean’和’sum’中的任意一个。

  • TypeError - logitslabels 不是Tensor。

  • TypeError - logitslabels 的数据类型不是float16或float32中的任一者。

  • TypeError - logits 的数据类型与 labels 不同。

  • ValueError - beta 小于0。

  • ValueError - logits 的shape与 labels 不同。

支持平台:

Ascend GPU CPU

样例:

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> loss = nn.SmoothL1Loss()
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
[0.  0.  0.5]