mindspore.ops.SoftmaxCrossEntropyWithLogits

class mindspore.ops.SoftmaxCrossEntropyWithLogits

使用one-hot编码获取预测值和真实之间的softmax交叉熵。

SoftmaxCrossEntropyWithLogits算法的更新公式如下：

\[\begin{split}\begin{array}{ll} \\ p_{ij} = softmax(X_{ij}) = \frac{\exp(x_i)}{\sum_{j = 0}^{N-1}\exp(x_j)} \\ loss_{ij} = -\sum_j{Y_{ij} * ln(p_{ij})} \end{array}\end{split}\]

其中 \(X\) 代表 logits 。 \(Y\) 代表 label 。 \(loss\) 代表 output 。

输入：

• logits (Tensor) - 输入预测值，其shape为 \((N, C)\) ，数据类型为float16或float32。

• labels (Tensor) - 输入真实值，其shape为 \((N, C)\) ，数据类型与 logits 的相同。

输出：

两个Tensor(loss, dlogits)组成的tuple， loss 的shape为 \((N,)\) ， dlogits 的shape与 logits 的相同。

异常：

• TypeError - logits 或 labels 的数据类型既不是float16也不是float32。

• TypeError - logits 或 labels 不是Tensor。

• ValueError - logits 的shape与 labels 的不同。

支持平台：

Ascend GPU CPU

样例：

>>> logits = Tensor([[2, 4, 1, 4, 5], [2, 1, 2, 4, 3]], mindspore.float32)
>>> labels = Tensor([[0, 0, 0, 0, 1], [0, 0, 0, 1, 0]], mindspore.float32)
>>> softmax_cross = ops.SoftmaxCrossEntropyWithLogits()
>>> loss, dlogits = softmax_cross(logits, labels)
>>> print(loss)
[0.5899297  0.52374405]
>>> print(dlogits)
[[ 0.02760027  0.20393994  0.01015357  0.20393994 -0.44563377]
 [ 0.08015892  0.02948882  0.08015892 -0.4077012   0.21789455]]