文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.mint.nn.functional.smooth_l1_loss

mindspore.mint.nn.functional.smooth_l1_loss(input, target, reduction='mean', beta=1.0)

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：

$$\begin{array}{r}{L}_i=\{\begin{array}{ll}\frac{0.5(x_i-y_i{)}^2}{\text{beta}},& \text{if }|x_i-y_i|<\text{beta}\\ |x_i-y_i|-0.5\ast \text{beta},& \text{otherwise. }\end{array}\end{array}$$

当 reduction 不是设定为 none 时，计算如下：

$$\begin{array}{r}L=\{\begin{array}{ll}\mathrm{mean}(L_i),& \text{if reduction}=\text{'mean';}\\ \mathrm{sum}(L_i),& \text{if reduction}=\text{'sum'.}\end{array}\end{array}$$

其中， $\text{beta}$ 控制损失函数在线性与二次间变换的阈值， $\text{beta}\ge 0$ ，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： $(N,\ast )$ ，其中 $\ast$ 表示任意数量的附加维度。支持数据类型：

  • Ascend：float16、float32、bfloat16。

• target (Tensor) - shape： $(N,\ast )$ ，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