mindspore.ops.soft_margin_loss

mindspore.ops.soft_margin_loss(input, target, reduction='mean')

计算 input 和 target 之间的soft margin loss。

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。

$$\text{loss}(x,y)=\sum _i\frac{\log (1+\exp (-y[i]\ast x[i]))}{\text{x.nelement}()}$$

其中 $x.nelement()$ 是 $x$ 的元素数量。

警告

这是一个实验性API，后续可能修改或删除。

参数：

• input (Tensor) - 预测值。数据类型必须为float16、float32、bfloat16（其中，Atlas训练系列产品不支持bfloat16）。

• target (Tensor) - 真实标签，shape与 input 相同。GE模式下类型需要与 input 相同。

• 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 input 相同。否则，将返回Scalar。

异常：

• TypeError - 如果 input 或 target 不是Tensor。

• TypeError - 如果 input 或 target 的数据类型不是float16、float32、bfloat16（其中，Atlas训练系列产品不支持bfloat16）。

• ValueError - 如果 input 与 target 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
>>> 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 = ops.soft_margin_loss(logits, labels)
>>> print(output)
0.6764238