文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.nn.SoftmaxCrossEntropyWithLogits

class mindspore.nn.SoftmaxCrossEntropyWithLogits(sparse=False, reduction='none')

计算预测值与真实值之间的交叉熵。

使用交叉熵损失函数计算出输入概率（使用softmax函数计算）和真实值之间的误差。

对于每个实例 $x_i$ ，i的范围为0到N-1，则可得损失为：

$$\ell (x_i,c)=-\log \left(\frac{\exp (x_i[c])}{\sum _j\exp (x_i[j])}\right)=-x_i[c]+\log (\sum _j\exp (x_i[j]))$$

其中 $x_i$ 是一维的Tensor， $c$ 为one-hot中等于1的位置。

Note

虽然目标值是互斥的，即目标值中只有一个为正，但预测的概率不为互斥。只要求输入的预测概率分布有效。

参数：

• sparse (bool) - 指定目标值是否使用稀疏格式。默认值：False。

• reduction (str) - 指定应用于输出结果的计算方式。取值为”mean”，”sum”，或”none”。取值为”none”，则不执行reduction。默认值：”none”。

输入：

• logits (Tensor) - shape (N, C)的Tensor。数据类型为float16或float32。

• labels (Tensor) - shape (N, )的Tensor。如果 sparse 为True，则 labels 的类型为int32或int64。否则，labels 的类型与 logits 的类型相同。

输出：

Tensor，一个shape和数据类型与logits相同的Tensor。

异常：

• TypeError - sparse 不是bool。

• TypeError - sparse 为True，并且 labels 的dtype既不是int32，也不是int64。

• TypeError - sparse 为False，并且 labels 的dtype既不是float16，也不是float32。

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

支持平台：

Ascend GPU CPU

样例：

>>> # case 1: sparse=True
>>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True)
>>> logits = Tensor(np.array([[3, 5, 6, 9, 12, 33, 42, 12, 32, 72]]), mindspore.float32)
>>> labels_np = np.array([1]).astype(np.int32)
>>> labels = Tensor(labels_np)
>>> output = loss(logits, labels)
>>> print(output)
[67.]
>>> # case 2: sparse=False
>>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=False)
>>> logits = Tensor(np.array([[3, 5, 6, 9, 12, 33, 42, 12, 32, 72]]), mindspore.float32)
>>> labels_np = np.array([[0, 0, 0, 0, 0, 0, 1, 0, 0, 0]]).astype(np.float32)
>>> labels = Tensor(labels_np)
>>> output = loss(logits, labels)
>>> print(output)
[30.]