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.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”）。公式如下：

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

以及

$$\begin{array}{r}{l}_n=\{\begin{array}{ll}0.5\ast (x_n-y_n{)}^2,& \text{if }|x_n-y_n|<delta;\\ delta\ast (|x_n-y_n|-0.5\ast delta),& \text{otherwise. }\end{array}\end{array}$$

其中， $N$ 为batch size。如果 reduction 不是”none”，则：

$$\begin{array}{r}\ell (x,y)=\{\begin{array}{ll}\mathrm{mean}(L),& \text{if reduction}=\text{"mean";}\\ \mathrm{sum}(L),& \text{if reduction}=\text{"sum".}\end{array}\end{array}$$

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]]