forked from mindspore-Ecosystem/mindspore
53 lines
2.2 KiB
ReStructuredText
53 lines
2.2 KiB
ReStructuredText
|
mindspore.nn.SmoothL1Loss
|
|||
|
|
============================
|
|||
|
|
|
|||
|
|
.. py:class:: mindspore.nn.SmoothL1Loss(beta=1.0)
|
|||
|
|
|
|||
|
|
创建一个标准来计算loss函数，如果输入的绝对误差小于 `beta` 则用平方项，否则用绝对误差项。
|
|||
|
|
|
|||
|
|
SmoothL1Loss可以看成 :class:`mindspore.nn.L1Loss` 的修改版本，也可以看成 :class:`mindspore.nn.L1Loss` 和 :class:`mindspore.ops.L2Loss` 的组合。 :class:`mindspore.nn.L1Loss` 计算两个输入Tensor之间的绝对误差，而 :class:`mindspore.ops.L2Loss` 计算两个输入Tensor之间的平方误差。 :class:`mindspore.ops.L2Loss` 通常更快收敛，但对离群值的鲁棒性较差。
|
|||
|
|
|
|||
|
|
给定两个输入 :math:`x,\ y`，长度为 :math:`N`， unreduced SmoothL1Loss定义如下：
|
|||
|
|
|
|||
|
|
.. math::
|
|||
|
|
L_{i} =
|
|||
|
|
\begin{cases}
|
|||
|
|
\frac{0.5 (x_i - y_i)^{2}}{\text{beta}}, & \text{if } |x_i - y_i| < \text{beta} \\
|
|||
|
|
|x_i - y_i| - 0.5 \text{beta}, & \text{otherwise.}
|
|||
|
|
\end{cases}
|
|||
|
|
|
|||
|
|
其中， :math:`\text{beta}` 控制loss函数从二次变为线性。 默认值为1.0。 :math:`N` 为batch size。该函数返回一个unreduced loss Tensor。
|
|||
|
|
|
|||
|
|
**参数：**
|
|||
|
|
|
|||
|
|
**beta** (float) - 用于控制loss函数从二次变为线性的参数。默认值：1.0。
|
|||
|
|
|
|||
|
|
**输入：**
|
|||
|
|
|
|||
|
|
- **logits** (Tensor) - 预测值，shape为 :math:`(N, *)` 的Tensor，其中 :math:`*` 表示任意的附加维度数。数据类型必须为float16或float32。
|
|||
|
|
- **labels** (Tensor) - 目标值，shape为 :math:`(N, *)` 的Tensor，数据类型和shape与 `logits` 相同。
|
|||
|
|
|
|||
|
|
**输出：**
|
|||
|
|
|
|||
|
|
Tensor，shape和数据类型与 `logits` 相同。
|
|||
|
|
|
|||
|
|
**异常：**
|
|||
|
|
|
|||
|
|
- **TypeError** - `beta` 不是float。
|
|||
|
|
- **TypeError** - `logits` 或 `labels` 的数据类型既不是float16，也不是float32。
|
|||
|
|
- **ValueError** - `beta` 小于或等于0。
|
|||
|
|
- **ValueError** - `logits` 的shape与 `labels` 不同。
|
|||
|
|
|
|||
|
|
**支持平台：**
|
|||
|
|
|
|||
|
|
``Ascend`` ``GPU`` ``CPU``
|
|||
|
|
|
|||
|
|
**样例：**
|
|||
|
|
|
|||
|
|
>>> 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]
|
|||
|
|
|