mindspore.mint.nn.functional.smooth_l1_loss
- mindspore.mint.nn.functional.smooth_l1_loss(input, target, reduction='mean', beta=1.0)[源代码]
计算平滑L1损失,该L1损失函数有稳健性。
平滑L1损失是一种类似于MSELoss的损失函数,但对异常值相对不敏感,可以参阅论文 Fast R-CNN 。
给定长度为 \(N\) 的两个输入 \(x,\ y\) ,平滑L1损失的计算如下:
\[\begin{split}L_{i} = \begin{cases} \frac{0.5 (x_i - y_i)^{2}}{\beta}, & \text{if } |x_i - y_i| < \beta \\ |x_i - y_i| - 0.5 * \beta, & \text{otherwise. } \end{cases}\end{split}\]当 reduction 不是设定为 none 时,计算如下:
\[\begin{split}L = \begin{cases} \operatorname{mean}(L_{i}), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L_{i}), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]其中, \(\text{beta}\) 控制损失函数在线性与二次间变换的阈值, \(\text{beta} \geq 0\) ,默认值是
1.0
。 \(N\) 为batch size。警告
这是一个实验性API,后续可能修改或删除。
说明
参数 input 和 target 遵循隐式类型转换规则,使数据类型保持一致。如果两参数数据类型不一致,则低精度类型会被转换成较高精度类型。
- 参数:
input (Tensor) - shape: \((N, *)\) ,其中 \(*\) 表示任意数量的附加维度。支持数据类型:
Ascend:float16、float32、bfloat16。
target (Tensor) - shape: \((N, *)\) ,与 input 的shape相同。支持数据类型:
Ascend:float16、float32、bfloat16。
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'
:计算输出元素的平均值。'sum'
:计算输出元素的总和。
beta (number,可选) - 控制损失函数在L1Loss和L2Loss间变换的阈值,该值必须大于等于0。默认值:
1.0
。
- 返回:
Tensor,数据类型与 input 相同。如果 reduction 为
'none'
,则输出为Tensor且与 input 的shape相同。否则shape为 \(()\)。- 异常:
TypeError - input 或 target 不是 Tensor。
RuntimeError - input 或 target 的数据类型不是float16,float32和bfloat16中的任一者。
ValueError - input 与 target 的shape不同。
ValueError - reduction 不是
'none'
,'mean'
和'sum'
中的任一者。TypeError - beta 不是float,bool或int。
RuntimeError - beta 小于0。
- 支持平台:
Ascend
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, mint >>> input = Tensor(np.array([2, 2, 3]), mindspore.float32) >>> target = Tensor(np.array([2, 2, 2]), mindspore.float32) >>> beta = 1.0 >>> reduction_1 = 'none' >>> output = mint.nn.functional.smooth_l1_loss(input, target, reduction_1, beta) >>> print(output) [0. 0. 0.5] >>> reduction_2 = 'mean' >>> output = mint.nn.functional.smooth_l1_loss(input, target, reduction_2, beta) >>> print(output) 0.16666667 >>> reduction_3 = 'sum' >>> output = mint.nn.functional.smooth_l1_loss(input, target, reduction_3, beta) >>> print(output) 0.5