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。

文档反馈

mindspore.ops.cosine_embedding_loss

mindspore.ops.cosine_embedding_loss(input1, input2, target, margin=0.0, reduction='mean')[源代码]

余弦相似度损失函数，用于测量两个Tensor之间的相似性。

给定两个Tensor $i n p u t 1$ 和 $i n p u t 2$ ，以及一个Tensor标签 $t a r g e t$ ，值为1或-1，公式如下：

\begin{array}{r} l o s s (i n p u t 1, i n p u t 2, t a r g e t) = {\begin{cases} 1 - c o s (i n p u t 1, i n p u t 2), & if t a r g e t = 1 \\ m a x (0, c o s (i n p u t 1, i n p u t 2) - m a r g i n), & if t a r g e t = - 1 \end{cases} \end{array}

参数：

input1 (Tensor) - 输入Tensor，shape $(N, *)$ ，其中 $*$ 代表任意数量的附加维度。
input2 (Tensor) - 输入Tensor，shape $(N, *)$ 。shape和数据类型与 input1 相同。
target (Tensor) - 输入值为1或-1。假设 input1 的shape是 $(x_{1}, x_{2}, x_{3}, . . ., x_{R})$ ，那么 target 的shape必须是 $(x_{1}, x_{3}, x_{4}, . . ., x_{R})$ 。
margin (float，可选) - 指定运算的调节因子，取值范围[-1.0, 1.0]。默认 0.0 。
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 '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。

返回：

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

异常：

TypeError - margin 不是float。
ValueError - reduction 不为"none"、"mean"或"sum"。
ValueError - margin 的值不在范围[-1.0, 1.0]内。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> intput1 = Tensor(np.array([[0.3, 0.8], [0.4, 0.3]]), mindspore.float32)
>>> intput2 = Tensor(np.array([[0.4, 1.2], [-0.4, -0.9]]), mindspore.float32)
>>> target = Tensor(np.array([1, -1]), mindspore.int32)
>>> output = ops.cosine_embedding_loss(intput1, intput2, target)
>>> print(output)
0.0003425479