mindspore.nn.HuberLoss

class mindspore.nn.HuberLoss(reduction='mean', delta=1.0)

HuberLoss计算预测值和目标值之间的误差。它兼有L1Loss和MSELoss的优点。

假设 \(x\) 和 \(y\) 为一维Tensor，长度 \(N\) ，则计算 \(x\) 和 \(y\) 的loss而不进行降维操作（即reduction参数设置为”none”）的公式如下：

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

以及

\[\begin{split}l_n = \begin{cases} 0.5 * (x_n - y_n)^2, & \text{if } |x_n - y_n| < delta; \\ delta * (|x_n - y_n| - 0.5 * delta), & \text{otherwise. } \end{cases}\end{split}\]

其中， \(N\) 为batch size。如果 reduction 不是”none”，则：

\[\begin{split}\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{"mean";}\\ \operatorname{sum}(L), & \text{if reduction} = \text{"sum".} \end{cases}\end{split}\]

参数：

• reduction (str) - 应用于loss的reduction类型。取值为”mean”，”sum”，或”none”。默认值：”mean”。如果 reduction 为”mean”或”sum”，则输出一个标量Tensor；如果 reduction 为”none”，则输出Tensor的shape为广播后的shape。

• delta (Union[int, float]) - 两种损失之间变化的阈值。该值必须为正。默认值：1.0。

输入：

• logits (Tensor) - 输入预测值，任意维度的Tensor。其数据类型为float16或float32。

• labels (Tensor) - 目标值，通常情况下与 logits 的shape和dtype相同。但是如果 logits 和 labels 的shape不同，需要保证他们之间可以互相广播。

输出：

Tensor或Scalar，如果 reduction 为”none”，返回与 logits 具有相同shape和dtype的Tensor。否则，将返回一个Scalar。

异常：

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

• TypeError - logits 和 labels 的数据类型不同。

• 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 - logits 和 labels 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, nn
>>> import numpy as np
>>> # Case 1: logits.shape = labels.shape = (3,)
>>> loss = nn.HuberLoss()
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
0.16666667
>>> # Case 2: logits.shape = (3,), labels.shape = (2, 3)
>>> loss = nn.HuberLoss(reduction="none")
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
[[0.  0.5 1.5]
 [0.  0.  0.5]]