mindspore.nn.NLLLoss

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

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：

$$\ell (x,t)=L={\{l_1,\dots ,l_N\}}^{\mathrm{\top }},l_n=-w_{t_n}{x}_{n,t_n},w_c=\text{ weight }[c]\cdot \mathbb{1}\{c\ne \text{ignore\_index}\},$$

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。

若 reduction 不为’none’（默认为’mean’），则

$$\begin{array}{r}\ell (x,t)=L=\{\begin{array}{ll}\sum _{n=1}^N\frac{1}{\sum _{n=1}^N{w}_{tn}}{l}_n,& \text{ if reduction }=\text{ 'mean', }\\ \sum _{n=1}^N{l}_n,& \text{ if reduction }=\text{ 'sum' }\end{array}\end{array}$$

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 $(N,C)$ 或 $(N,C,d_1,d_2,...,d_K)$ (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 $(N)$ 或 $(N,d_1,d_2,...,d_K)$ (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)