mindspore.mint.nn.functional.nll_loss

mindspore.mint.nn.functional.nll_loss(input, target, weight=None, ignore_index=- 100, reduction='mean')

获取预测值和目标值之间的负对数似然损失。

reduction为 'none' 时，负对数似然损失公式如下：

$$\ell (x,t)=L={\{l_1,\dots ,l_N\}}^{\mathrm{\top }},l_n=-w_{t_n}{x}_{n,t_n},w_c=\text{ weight }[c]\cdot \mathbb{1}\{c\ne \text{ignore\_index}\},$$

其中， $x$ 表示预测值， $t$ 表示目标值， $w$ 表示权重， $N$ 表示batch size， $c$ 限定范围为 $[0,C-1]$，表示类索引，其中 $C$ 表示类的数量。

若reduction不为 'none' （默认为 'mean' ），则

$$\begin{array}{r}\ell (x,t)=\{\begin{array}{ll}\sum _{n=1}^N\frac{1}{\sum _{n=1}^N{w}_{tn}}{l}_n,& \text{ if reduction }=\text{ 'mean', }\\ \sum _{n=1}^N{l}_n,& \text{ if reduction }=\text{ 'sum' }\end{array}\end{array}$$

警告

这是一个实验性API，后续可能修改或删除。

参数：

• input (Tensor) - 输入预测值，shape为 $(N)$ 或 $(N,C)$ ， $C$ 表示类的数量， $N$ 表示batch size， 或 $(N,C,d_1,d_2,...,d_K)$ (针对高维数据)。input 需为对数概率。数据类型仅支持float32或float16或bfloat16(仅Atlas A2训练系列产品支持)。

• target (Tensor) - 输入目标值，shape为 $()$ 或 $(N)$ ，限定范围为 $[0,C-1]$，或 $(N,d_1,d_2,...,d_K)$ (针对高维数据)。 数据类型支持int32、int64、uint8。

• weight (Tensor，可选) - 指定各类别的权重。若值不为 None ，则shape为 $(C,)$。 数据类型仅支持float16或float32或bfloat16(仅Atlas A2训练系列产品支持)。要求与 input 的数据类型保持一致。默认值： None 。

• ignore_index (int，可选) - 指定target中需要忽略的值(一般为填充值)，使其不对梯度产生影响。默认值： -100 。

• 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： 'mean' 。

  • 'none'：不应用规约方法。

  • 'mean'：计算输出元素的加权平均值。

  • 'sum'：计算输出元素的总和。

返回：

Tensor，数据类型与 input 相同。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> input = mindspore.Tensor(np.random.randn(3, 5), mindspore.float32)
>>> target = mindspore.Tensor(np.array([1, 0, 4]), mindspore.int32)
>>> output = mint.nn.functional.nll_loss(input, target)