mindspore.nn.SmoothL1Loss

class mindspore.nn.SmoothL1Loss(beta=1.0, reduction='none')

SmoothL1损失函数，如果预测值和目标值的逐个元素绝对误差小于设定阈值 beta 则用平方项，否则用绝对误差项。

给定两个输入 \(x,\ y\)，SmoothL1Loss定义如下：

\[\begin{split}L_{i} = \begin{cases} \frac{0.5 (x_i - y_i)^{2}}{\text{beta}}, & \text{if } |x_i - y_i| < \text{beta} \\ |x_i - y_i| - 0.5 * \text{beta}, & \text{otherwise.} \end{cases}\end{split}\]

其中，\({\text{beta}}\) 代表阈值 beta 。

当 reduction 不是设定为 none 时，计算如下：

\[\begin{split}L = \begin{cases} \operatorname{mean}(L_{i}), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L_{i}), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]

说明

• SmoothL1Loss可以看成 mindspore.nn.L1Loss 的修改版本，也可以看成 mindspore.nn.L1Loss 和 mindspore.ops.L2Loss 的组合。

• mindspore.nn.L1Loss 计算两个输入Tensor之间的绝对误差，而 mindspore.ops.L2Loss 计算两个输入Tensor之间的平方误差。

• mindspore.ops.L2Loss 通常更快收敛，但对离群值的鲁棒性较差。该损失函数具有较好的鲁棒性。

参数：

• beta (number，可选) - 损失函数计算在L1Loss和L2Loss间变换的阈值。默认值： 1.0 。

  • Ascend: 该值必须大于等于0。

  • CPU/GPU: 该值必须大于0。

• 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： 'none' 。

  • "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) - 预测值，任意维度Tensor。支持数据类型：

  • Ascend：float16、float32、bfloat16。

  • CPU/GPU: float16、float32、float64。

• labels (Tensor) - 目标值，数据类型和shape与 logits 相同的Tensor。

  • CPU/Ascend: 与 logits 的shape相同， logits 和 labels 遵循隐式类型转换规则，使数据类型一致。

  • GPU: 与 logits 的shape和数据类型相同。

输出：

Tensor。如果 reduction 为'none'，则输出为Tensor且与 logits 的shape相同。否则shape为 \(()\)。

异常：

• TypeError - logits 或 labels 不是Tensor。

• RuntimeError - logits 或 labels 的数据类型不是float16，float32，float64和bfloat16中的任一者。

• ValueError - logits 与 labels 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 小于等于0。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> loss = nn.SmoothL1Loss()
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
[0.  0.  0.5]