mindspore.ops.huber_loss

mindspore.ops.huber_loss(input, target, reduction='mean', delta=1.0)

计算预测值和目标值之间的误差，兼具 mindspore.ops.l1_loss() 和 mindspore.ops.mse_loss() 的优点。

假设 $x$ 和 $y$ 为一维Tensor，长度 $N$ ，reduction参数设置为 'none' ，计算 $x$ 和 $y$ 的loss而不进行降维操作。公式如下：

$$\ell (x,y)=L=\{l_1,\dots ,l_N{\}}^{\mathrm{\top }}$$

以及

$$\begin{array}{r}{l}_n=\{\begin{array}{ll}0.5\ast (x_n-y_n{)}^2,& \text{if }|x_n-y_n|<delta;\\ delta\ast (|x_n-y_n|-0.5\ast delta),& \text{otherwise. }\end{array}\end{array}$$

其中， $N$ 为batch size。

如果 reduction 是 'mean' 或 'sum' ，则：

$$\begin{array}{r}\ell (x,y)=\{\begin{array}{ll}\mathrm{mean}(L),& \text{if reduction}=\text{"mean";}\\ \mathrm{sum}(L),& \text{if reduction}=\text{"sum".}\end{array}\end{array}$$

参数：

• input (Tensor) - 输入预测值，任意维度的Tensor。

• target (Tensor) - 目标值，通常情况下与 input 的shape和dtype相同。但是当 target 和 x 的shape不同时，需要保证他们之间可以互相广播。

• 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。

• delta (Union[int, float]) - 两种损失之间变化的阈值。该值必须大于零。默认 1.0 。

返回：

Tensor或Scalar，如果 reduction 为 none ，则返回与 input 具有相同shape和dtype的Tensor。否则，将返回Scalar。

异常：

• TypeError - input 或 target 不是Tensor。

• TypeError - delta 不是float或int。

• ValueError - delta 的值小于或等于0。

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

• ValueError - input 和 target 有不同的shape，且不能互相广播。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, ops
>>> x = Tensor([1, 2, 10, 2], mindspore.float32)
>>> target = Tensor([1, 5, 1, 20], mindspore.float32)
>>> output = ops.huber_loss(x, target, reduction="mean", delta=2)
>>> print(output)
13.5