mindspore.nn.GaussianNLLLoss

class mindspore.nn.GaussianNLLLoss(*, full=False, eps=1e-6, reduction='mean')

服从高斯分布的负对数似然损失。

目标值被认为是高斯分布的采样，其中期望和方差通过神经网络来预测。对于以高斯分布为模型的Tensor labels 和记录期望的Tensor logits ，以及均为正数的方差Tensor var 来说，计算的loss为：

$$\text{loss}=\frac{1}{2}(\log \left(\text{max}(\text{var},\text{eps})\right)+\frac{{(\text{logits}-\text{labels})}^2}{\text{max}(\text{var},\text{eps})})+\text{const.}$$

其中，$eps$ 用于 $log$ 的稳定性。当 $full=True$ 时，一个常数 const 会被添加到loss中。如果 $var$ 和 $logits$ 的shape不一致（出于同方差性的假设），那么它们必须能够正确地广播。

关键字参数：

• full (bool，可选) - 指定损失函数中的常数部分。如果 $full=True$，则常数 const. 为 $0.5\ast log(2\pi )$。默认值： False 。

• eps (float，可选) - 用于提高log的稳定性。默认值： 1e-6 。

• 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。

输入：

• logits (Tensor) - shape为 $(N,\ast )$ 或 $(\ast )$。 $\ast$ 代表着任意数量的额外维度。

• labels (Tensor) - shape为 $(N,\ast )$ 或 $(\ast )$。和 logits 具有相同shape，或者相同shape但有一个维度为1（以允许广播）。

• var (Tensor) - shape为 $(N,\ast )$ 或 $(\ast )$。和 logits 具有相同shape，或者相同shape但有一个维度为1，或者少一个维度（以允许广播）。

返回：

Tensor或Tensor scalar，根据 $reduction$ 计算的loss。

异常：

• TypeError - logits 不是Tensor。

• TypeError - labels 不是Tensor。

• TypeError - full 不是bool。

• TypeError - eps 不是float。

• ValueError - eps 不是在(0, inf)区间的float。

• ValueError - reduction 不是"none"、"mean"或者"sum"。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> import numpy as np
>>> arr1 = np.arange(8).reshape((4, 2))
>>> arr2 = np.array([2, 3, 1, 4, 6, 4, 4, 9]).reshape((4, 2))
>>> logits = ms.Tensor(arr1, ms.float32)
>>> labels = ms.Tensor(arr2, ms.float32)
>>> loss = nn.GaussianNLLLoss(reduction='mean')
>>> var = ms.Tensor(np.ones((4, 1)), ms.float32)
>>> output = loss(logits, labels, var)
>>> print(output)
1.4374993