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.nn.SmoothL1Loss

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

SmoothL1损失函数。逐元素进行对比，如果预测值和目标值的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：

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

其中，$\text{beta}$ 代表阈值 beta 。

当 reduction 不是设定为 none 时，计算如下：

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

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shape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或bfloat16。

• ValueError - logits 与 labels 的shape不同。

• ValueError - reduction 不是 'none' 、 'mean' 或 'sum' 。

• 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]