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.gaussian_nll_loss

mindspore.ops.gaussian_nll_loss(x, target, var, full=False, eps=1e-06, reduction='mean')

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Tensor x 和记录期望的Tensor target ，以及均为正数的方差Tensor var 来说，计算的loss为：

$$\text{loss}=\frac{1}{2}(\log \left(\text{max}(\text{var},\text{eps})\right)+\frac{{(\text{x}-\text{target})}^2}{\text{max}(\text{var},\text{eps})})+\text{const.}$$

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 $x$ 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：

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

• target (Tensor) - shape为 $(N,\ast )$ 或 $(\ast )$。和 x 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 $(N,\ast )$ 或 $(\ast )$。和 x 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）。

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

• eps (float，可选) - 用于提高log的稳定性，必须大于0。默认值：1e-6。

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

返回：

Tensor或Tensor scalar，根据 $reduction$ 计算的loss。

异常：

• TypeError - x 不是Tensor。

• TypeError - target 不是Tensor。

• TypeError - var 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”。

参考：

Nix, D. A. and Weigend, A. S., “Estimating the mean and variance of the target probability distribution”, Proceedings of 1994 IEEE International Conference on Neural Networks (ICNN’94), Orlando, FL, USA, 1994, pp. 55-60 vol.1, doi: 10.1109/ICNN.1994.374138.

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> import mindspore.ops as ops
>>> 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))
>>> x = Tensor(arr1, mstype.float32)
>>> var = Tensor(np.ones((4, 1)), mstype.float32)
>>> target = Tensor(arr2, mstype.float32)
>>> output = ops.gaussian_nll_loss(x, target, var)
>>> print(output)
1.4374993