mindspore.ops.SoftMarginLoss

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

SoftMarginLoss操作。

一个二分类任务，计算输入 \(x\) 和真实标签 \(y\) （包含1或-1）之间的损失。

\[\text{loss}(x, y) = \sum_i \frac{\log(1 + \exp(-y[i]*x[i]))}{\text{x.nelement}()}\]

其中 \(x.nelement()\) 是x的元素数量。

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。数据类型必须为float16或float32。

• labels (Tensor) - 真实标签，数据类型和shape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 - 如果 logits 或 labels 不是Tensor。

• TypeError - 如果 logits 或 labels 的数据类型既不是float16也不是float32。

• ValueError - 如果 logits 与 labels 的shape不相同。

• ValueError - 如果 reduction 不是 "none" 、 "mean" 或 "sum" 。

支持平台：

Ascend GPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> loss = ops.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