mindspore.nn.LossBase

class mindspore.nn.LossBase(reduction='mean')

损失函数的基类。

自定义损失函数时应重写 construct ，并使用方法 self.get_loss 将 reduction 应用于loss计算。

参数：

• reduction (str) - 指定应用于输出结果的计算方式。可选值有：”mean”、”sum”、”none”。默认值：”mean”。

异常：

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

支持平台：

Ascend GPU CPU

get_axis(x)

获取输入的轴范围。

参数：

• x (Tensor) - 任何shape的Tensor。

样例：

>>> class Net(nn.LossBase):
...     def __init__(self, reduction='mean'):
...         super(Net, self).__init__(reduction)
...         self.abs = ops.Abs()
...
...     def construct(self, logits, labels):
...         x = self.abs(logits - labels)
...         axis = self.get_axis(x)
...         return axis
>>> net = Net()
>>> # Case 1: logits.shape = labels.shape = (3,)
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> output = net(logits, labels)
>>> print(output)
(0,)
>>> # Case 2: logits.shape = labels.shape = (3, 3)
>>> logits = Tensor(np.array([[1, 2, 3],[1, 2, 3],[1, 2, 3]]), mindspore.float32)
>>> labels = Tensor(np.array([[1, 2, 3],[1, 2, 3],[1, 2, 3]]), mindspore.float32)
>>> output = net(logits, labels)
>>> print(output)
(0, 1)

get_loss(x, weights=1.0)

计算加权损失。

参数：

• x (Tensor) - shape为 \((N,*)\) 的输入Tensor，其中 \(*\) 表示任意数量的附加维度。

• weights (Union[float, Tensor]) - 可选值，要么rank为0，要么rank与输入相同，并且必须可广播到输入（即，所有维度必须为 1 ，或与相应输入的维度相同）。默认值：1.0。

返回：

返回加权损失。

样例：

>>> class Net(nn.LossBase):
...     def __init__(self, reduction='mean'):
...         super(Net, self).__init__(reduction)
...         self.abs = ops.Abs()
...
...     def construct(self, logits, labels):
...         x = self.abs(logits - labels)
...         output = self.get_loss(x)
...         return output
>>> net = Net()
>>> # Case 1: logits.shape = labels.shape = (3,)
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = net(logits, labels)
>>> print(output)
0.33333334
>>> # Case 2: logits.shape = labels.shape = (3, 3)
>>> logits = Tensor(np.array([[1, 2, 3],[1, 2, 3],[1, 2, 3]]), mindspore.float32)
>>> labels = Tensor(np.array([[1, 2, 2],[1, 2, 3],[1, 2, 3]]), mindspore.float32)
>>> output = net(logits, labels)
>>> print(output)
0.11111111