mindspore.nn.NLLLoss

class mindspore.nn.NLLLoss(weight=None, ignore_index=- 100, reduction='mean')[源代码]

计算预测值和目标值之间的负对数似然损失。

reduction 为’none’时,负对数似然损失公式如下:

\[\ell(x, t)=L=\left\{l_{1}, \ldots, l_{N}\right\}^{\top}, \quad l_{n}=-w_{t_{n}} x_{n, t_{n}}, \quad w_{c}=\text { weight }[c] \cdot \mathbb{1} \{c \not= \text{ignore_index}\},\]

其中, \(x\) 表示预测值, \(t\) 表示目标值, \(w\) 表示权重, \(N\) 限定范围为 \([0, C-1]\),表示类索引,其中 \(C\) 表示类的数量。

reduction 不为’none’(默认为’mean’),则

\[\begin{split}\ell(x, t)=L=\left\{\begin{array}{ll} \sum_{n=1}^{N} \frac{1}{\sum_{n=1}^{N} w_{t n}} l_{n}, & \text { if reduction }=\text { 'mean', } \\ \sum_{n=1}^{N} l_{n}, & \text { if reduction }=\text { 'sum' } \end{array}\right.\end{split}\]

参数:

  • weight (Tensor) - 指定各类别的权重。若值不为None,则shape为 \((C,)\)。数据类型仅支持float32或float16。默认值: None。

  • ignore_index (int) - 指定target中需要忽略的值(一般为填充值),使其不对梯度产生影响。默认值: -100。

  • reduction (str) - 指定应用于输出结果的计算方式,比如’none’、’mean’、’sum’,默认值:’mean’。

输入:

  • logits (Tensor) - 输入预测值,shape为 \((N, C)\)\((N, C, d_1, d_2, ..., d_K)\) (针对 \(K\) 维数据)。inputs 需为对数概率。数据类型仅支持float32或float16。

  • labels (Tensor) - 输入目标值,shape为 \((N)\)\((N, d_1, d_2, ..., d_K)\) (针对 \(K\) 维数据)。 数据类型仅支持int32。

返回:

Tensor,一个数据类型与logits相同的Tensor。

异常:

  • TypeError - weight 不是Tensor。

  • TypeError - weight 的dtype既不是float16,也不是float32。

  • TypeError - ignore_index 不是int。

  • ValueError - reduction 不为”mean”、”sum”,或”none”。

  • TypeError - logits 不是Tensor。

  • TypeError - labels 不是Tensor。

支持平台:

Ascend GPU CPU

样例:

>>> logits = mindspore.Tensor(np.random.randn(3, 5), mindspore.float32)
>>> labels = mindspore.Tensor(np.array([1, 0, 4]), mindspore.int32)
>>> loss = nn.NLLLoss()
>>> output = loss(logits, labels)