mindspore.ops.gaussian_nll_loss

mindspore.ops.gaussian_nll_loss(x, target, var, full=False, eps=1e-6, reduction='mean')

服从高斯分布的负对数似然损失。

目标值被认为是高斯分布的采样，其中期望和方差通过神经网络来预测。对于以高斯分布为模型的Tensor x 和记录期望的Tensor target ，以及均为正数的方差Tensor var 来说，计算的loss为：

$$\text{loss}=\frac{1}{2}(\log \left(\text{max}(\text{var},\text{eps})\right)+\frac{{(\text{x}-\text{target})}^2}{\text{max}(\text{var},\text{eps})})+\text{const.}$$

其中，$eps$ 用于 $log$ 的稳定性。当 $full=True$ 时，一个常数会被添加到loss中。如果 $var$ 和 $logits$ 的shape不一致（出于同方差性的假设），那么它们必须能够正确地广播。

参数：

• x (Tensor) - shape为 $(N,\ast )$ 或 $(\ast )$。 $\ast$ 代表着任意数量的额外维度。

• target (Tensor) - shape为 $(N,\ast )$ 或 $(\ast )$。和 x 具有相同shape，或者相同shape但有一个维度为1（以允许广播）。

• var (Tensor) - shape为 $(N,\ast )$ 或 $(\ast )$。和 x 具有相同shape，或者相同shape但有一个维度为1，或者少一个维度（以允许广播）。

• full (bool，可选) - 指定损失函数中的常数部分。如果 $full=True$ ，则常数为 $const=0.5\ast log(2\pi )$。默认 False。

• eps (float，可选) - 用于提高log的稳定性，必须大于0。默认 1e-6 。

• 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Tensor scalar，根据 $reduction$ 计算的loss。

异常：

• TypeError - x， target 或者 var 不是Tensor。

• TypeError - full 不是bool。

• TypeError - eps 不是float。

• ValueError - eps 不是在(0, inf)区间的float。

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

参考：

Nix, D. A. and Weigend, A. S., "Estimating the mean and variance of the target probability distribution", Proceedings of 1994 IEEE International Conference on Neural Networks (ICNN'94), Orlando, FL, USA, 1994, pp. 55-60 vol.1, doi: 10.1109/ICNN.1994.374138.

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> import mindspore.common.dtype as mstype
>>> arr1 = np.arange(8).reshape((4, 2))
>>> arr2 = np.array([2, 3, 1, 4, 6, 4, 4, 9]).reshape((4, 2))
>>> x = Tensor(arr1, mstype.float32)
>>> var = Tensor(np.ones((4, 1)), mstype.float32)
>>> target = Tensor(arr2, mstype.float32)
>>> output = ops.gaussian_nll_loss(x, target, var)
>>> print(output)
1.4374993