mindspore.nn.GaussianNLLLoss

class mindspore.nn.GaussianNLLLoss(*, full=False, eps=1e-06, reduction='mean')[源代码]

服从高斯分布的负对数似然损失。

目标值被认为是高斯分布的采样，其中期望和方差通过神经网络来预测。对于以高斯分布为模型的张量 labels 和记录期望的张量 logits ，以及均为正数的方差张量 var 来说，计算的loss为：

\[\text{loss} = \frac{1}{2}\left(\log\left(\text{max}\left(\text{var}, \ \text{eps}\right)\right) + \frac{\left(\text{logits} - \text{labels}\right)^2} {\text{max}\left(\text{var}, \ \text{eps}\right)}\right) + \text{const.}\]

其中，\(eps\) 用于 \(log\) 的稳定性。在默认情况下，常数部分被忽略，除非 \(full=True\)。如果 \(var\) 和 \(logits\) 的shape不一致（出于同方差性的假设），那么它必须最后一个维度是1，或者具有更少的维度（其他维度相同），来获得正确的广播。

参数：

  • full (bool) - 指定损失函数中的常数部分。如果为True，则常数为 \(const = 0.5*log(2*pi)\)。默认值：False。

  • eps (float) - 用于提高log的稳定性。默认值：1e-6。

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

输入：

  • logits (Tensor) - shape为 \((N, *)\) 或 \((*)\)。* 代表着任意数量的额外维度。

  • labels (Tensor) - shape为 \((N, *)\) 或 \((*)\)。和 logits 具有相同shape，或者相同shape但有一个维度为1（以允许广播）。

  • var (Tensor) - shape为 \((N, *)\) 或 \((*)\)。和 logits 具有相同shape，或者相同shape但有一个维度为1，或者少一个维度（以允许广播）。

返回：

Tensor或Tensor scalar，根据 \(reduction\) 计算的loss。

异常：

  • TypeError - logits 不是Tensor。

  • TypeError - labels 不是Tensor。

  • TypeError - full 不是bool。

  • TypeError - eps 不是float。

  • ValueError - eps 不是在[0, inf)区间的float。

  • ValueError - reduction 不是”none”、”mean”或者”sum”。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> import mindspore.nn as nn
>>> import mindspore.common.dtype as mstype
>>> arr1 = np.arange(8).reshape((4, 2))
>>> arr2 = np.array([2, 3, 1, 4, 6, 4, 4, 9]).reshape((4, 2))
>>> logits = Tensor(arr1, mstype.float32)
>>> labels = Tensor(arr2, mstype.float32)
>>> loss = nn.GaussianNLLLoss(reduction='mean')
>>> var = Tensor(np.ones((4, 1)), mstype.float32)
>>> output = loss(logits, labels, var)
>>> print(output)
1.4374993