mindspore.nn.NLLLoss

class mindspore.nn.NLLLoss(weight=None, ignore_index=- 100, reduction='mean')

计算预测值和目标值之间的负对数似然损失。

$reduction=none$ 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 $reduction\ne none$ 时（默认为 'mean' ），则

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

参数：

• weight (Tensor) - 指定各类别的权重。若值不为None，则shape为 $(C,)$。数据类型仅支持float32或float16。默认值： None 。

• ignore_index (int) - 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。

输入：

• logits (Tensor) - 输入预测值，shape为 $(N,C)$ 或 $(N,C,d_1,d_2,...,d_K)$ (针对 $K$ 维数据)。inputs 需为对数概率。数据类型仅支持float32或float16。

• labels (Tensor) - 输入目标值，shape为 $(N)$ 或 $(N,d_1,d_2,...,d_K)$ (针对 $K$ 维数据)。 数据类型仅支持int32。

返回：

Tensor，一个数据类型与logits相同的Tensor。

异常：

• TypeError - weight 不是Tensor。

• TypeError - weight 的dtype既不是float16，也不是float32。

• TypeError - ignore_index 不是int。

• ValueError - reduction 不为 "mean" 、 "sum" 或 "none" 。

• TypeError - logits 不是Tensor。

• TypeError - labels 不是Tensor。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> import numpy as np
>>> logits = ms.Tensor(np.random.randn(3, 5), ms.float32)
>>> labels = ms.Tensor(np.array([1, 0, 4]), ms.int32)
>>> loss = nn.NLLLoss()
>>> output = loss(logits, labels)