mindspore.ops.NLLLoss

class mindspore.ops.NLLLoss(reduction='mean')[源代码]

获取预测值和目标值之间的负对数似然损失。

reduction为’none’时，负对数似然损失如下：

ℓ (x, t) = L = {l_{1}, \dots, l_{N}}^{⊤}, l_{n} = - w_{t_{n}} x_{n, t_{n}}, w_{c} = weight [c] \cdot 1

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。

reduction不为’none’（默认为’mean’），则

\begin{array}{r} ℓ (x, t) = L = {\begin{cases} \sum_{n = 1}^{N} \frac{1}{\sum_{n = 1}^{N} w_{t n}} l_{n}, & if reduction ='mean'; \\ \sum_{n = 1}^{N} l_{n}, & if reduction ='sum' \end{cases} \end{array}

参数：

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 $(N, C)$ 。数据类型仅支持float32或float16。
labels (Tensor) - 输入目标值，shape为 $(N,)$ 。数据类型仅支持int32。
weight (Tensor) - 指定各类别的权重，shape为 $(C,)$ ，数据类型仅支持float32或float16。

输出：

由 loss 和 total_weight 组成的2个Tensor的tuple。

loss (Tensor) - 当 reduction 为’none’且 logits 为二维Tensor时， loss 的shape为 $(N,)$ 。否则， loss 为scalar。数据类型与 logits 相同。
total_weight (Tensor) - total_weight 是scalar，数据类型与 weight 相同。

异常：

TypeError - logits 或 weight 的数据类型既不是float16也不是float32， labels 不是int32。
ValueError - logits 不是一维或二维Tensor， labels 和 weight 不是一维Tensor。 logits 是二维Tensor时， logits 的第一个维度不等于 labels ， logits 的第二个维度不等于 weight 。 logits 是一维Tensor时， logits 、 labels 和 weight 的维度应该相同。

支持平台：

Ascend GPU CPU

样例：

>>> logits = Tensor(np.array([[0.5488135, 0.71518934],
...                           [0.60276335, 0.5448832],
...                           [0.4236548, 0.6458941]]).astype(np.float32))
>>> labels = Tensor(np.array([0, 0, 0]).astype(np.int32))
>>> weight = Tensor(np.array([0.3834415, 0.79172504]).astype(np.float32))
>>> nll_loss = ops.NLLLoss(reduction="mean")
>>> loss, weight = nll_loss(logits, labels, weight)
>>> print(loss)
-0.52507716
>>> print(weight)
1.1503246