mindspore.ops.gaussian_nll_loss

mindspore.ops.gaussian_nll_loss(x, target, var, 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：

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

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 \(x\) 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 \((N, *)\) 或 \((*)\)。* 代表着任意数量的额外维度。

  • target (Tensor) - shape为 \((N, *)\) 或 \((*)\)。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 \((N, *)\) 或 \((*)\)。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 \(const = 0.5*log(2*pi)\)。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