mindspore.nn.SoftMarginLoss

class mindspore.nn.SoftMarginLoss(reduction='mean')

针对二分类问题的损失函数。

SoftMarginLoss用于计算输入Tensor $x$ 和目标值Tensor $y$ （包含1或-1）的二分类损失值。

$$\text{loss}(x,y)=\sum _i\frac{\log (1+\exp (-y[i]\ast x[i]))}{x.nelement()}$$

$x.nelement()$ 代表 x 中元素的个数。

参数：

• 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) - 预测值，数据类型为float16、float32、bfloat16（Atlas训练系列产品不支持）。

• labels (Tensor) - 目标值，shape与 logits 的相同。GE模式下类型需要与 logits 相同。

输出：

Tensor或Scalar，如果 reduction 为 "none" ，其shape与 logits 相同。否则，将返回Scalar。

异常：

• TypeError - logits 或 labels 不是Tensor。

• TypeError - logits 或 labels 的数据类型不是float16、float32、bfloat16（Atlas训练系列产品不支持）。

• ValueError - logits 的shape与 labels 不同。

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

支持平台：

Ascend GPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> loss = nn.SoftMarginLoss()
>>> logits = Tensor(np.array([[0.3, 0.7], [0.5, 0.5]]), mindspore.float32)
>>> labels = Tensor(np.array([[-1, 1], [1, -1]]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
0.6764238