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.ops.nll_loss

mindspore.ops.nll_loss(inputs, target, weight=None, ignore_index=- 100, reduction='mean', label_smoothing=0.0)

获取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表示batch size， $c$ 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：

• inputs (Tensor) - 输入预测值，shape为 $(N,C)$ 或 $(N,C,H,W)$ (针对二维数据), 或 $(N,C,d_1,d_2,...,d_K)$ (针对高维数据)。inputs 需为对数概率。数据类型仅支持float32或float16。

• target (Tensor) - 输入目标值，shape为 $(N)$ 或 $(N,d_1,d_2,...,d_K)$ (针对高维数据)。 数据类型仅支持int32。

• 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”。

• label_smoothing (float) - 标签平滑值，用于计算Loss时防止模型过拟合的正则化手段。取值范围为[0.0, 1.0]。 默认值：0.0。

返回：

Tensor，数据类型与 inputs 相同。

支持平台：

Ascend GPU CPU

样例：

>>> inputs = mindspore.Tensor(np.random.randn(3, 5), mindspore.float32)
>>> target = mindspore.Tensor(np.array([1, 0, 4]), mindspore.int32)
>>> output = ops.nll_loss(inputs, target)