sponge.metrics.BalancedMSE

class sponge.metrics.BalancedMSE(first_break, last_break, num_bins, beta=0.99, reducer_flag=False)[源代码]

计算预测值与真实值之间的平衡均方误差（Balanced MSE），以解决回归任务中的不平衡标签问题。

参考 Ren, Jiawei, et al. ‘Balanced MSE for Imbalanced Visual Regression’ 。

\[L =-\log \mathcal{N}\left(\boldsymbol{y} ; \boldsymbol{y}_{\text {pred }}, \sigma_{\text {noise }}^{2} \mathrm{I}\right) +\log \sum_{i=1}^{N} p_{\text {train }}\left(\boldsymbol{y}_{(i)}\right) \cdot \mathcal{N}\left(\boldsymbol{y}_{(i)} ; \boldsymbol{y}_{\text {pred }}, \sigma_{\text {noise }}^{2} \mathrm{I}\right)\]

参数：

first_break (float) - 箱线的起始值。
last_break (float) - 箱线的结束值。
num_bins (int) - 箱线数量。
beta (float，可选) - 移动平均系数，默认值为 0.99。
reducer_flag (bool，可选) - 是否聚合多个设备的标签值，默认值为 False。

输入：

prediction (Tensor) - 预测值，shape为 \((batch\_size, ndim)\)。
target (Tensor) - 真实标签值，shape为 \((batch\_size, ndim)\)。

输出：

Tensor，shape为 \((batch\_size, ndim)\)。

支持平台：

Ascend GPU

样例：

>>> import numpy as np
>>> from sponge.metrics import BalancedMSE
>>> from mindspore import Tensor
>>> net = BalancedMSE(0, 1, 20)
>>> prediction = Tensor(np.random.randn(32, 10).astype(np.float32))
>>> target = Tensor(np.random.randn(32, 10).astype(np.float32))
>>> out = net(prediction, target)
>>> print(out.shape)
(32, 10)