mindspore.ops.smooth_l1_loss

mindspore.ops.smooth_l1_loss(input, target, beta=1.0, reduction='none')

计算平滑L1损失，该L1损失函数有稳健性。

平滑L1损失是一种类似于MSELoss的损失函数，但对异常值相对不敏感，可以参阅论文 Fast R-CNN 。

给定长度为 \(N\) 的两个输入 \(x,\ y\) ，平滑L1损失的计算如下：

\[\begin{split}L_{i} = \begin{cases} \frac{0.5 (x_i - y_i)^{2}}{\beta}, & \text{if } |x_i - y_i| < \beta \\ |x_i - y_i| - 0.5 * \beta, & \text{otherwise. } \end{cases}\end{split}\]

当 reduction 不是设定为 none 时，计算如下：

\[\begin{split}L = \begin{cases} \operatorname{mean}(L_{i}), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L_{i}), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]

其中， \(\text{beta}\) 控制损失函数在线性与二次间变换的阈值， \(\text{beta}>0\) ，默认值是 1.0 。 \(N\) 为batch size。

参数：

• input (Tensor) - shape： \((N, *)\) ，其中 \(*\) 表示任意数量的附加维度。支持数据类型：

  • Ascend：float16、float32、bfloat16。

  • CPU/GPU: float16、float32、float64。

• target (Tensor) - shape： \((N, *)\) 。

  • CPU/Ascend: 与 input 的shape相同， input 和 target 遵循隐式类型转换规则，使数据类型一致。

  • GPU: 与 input 的shape和数据类型相同。

• beta (number，可选) - 控制损失函数在L1Loss和L2Loss间变换的阈值，默认值： 1.0 。

  • Ascend: 该值必须大于等于0。

  • CPU/GPU: 该值必须大于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' ，默认值： 'none' 。

  • "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。如果 reduction 为'none'，则输出为Tensor且与 input 的shape相同。否则shape为 \(()\)。

异常：

• TypeError - input 或 target 不是 Tensor。

• RuntimeError - input 或 target 的数据类型不是float16，float32，float64和bfloat16中的任一者。

• ValueError - input 与 target 的shape不同。

• ValueError - reduction 不是 'none' ， 'mean' 和 'sum' 中的任一者。

• TypeError - beta 不是float，bool或int。

• RuntimeError - beta 小于等于0。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = ops.smooth_l1_loss(logits, labels)
>>> print(output)
[0.  0.  0.5]