mindspore.ops.smooth_l1_loss

mindspore.ops.smooth_l1_loss(logits, labels, beta=1.0, reduction='none')

计算平滑L1损失，该L1损失函数有稳健性。

平滑L1损失是一种类似于MSELoss的损失函数，但对异常值相对不敏感，可以参阅论文 Fast R-CNN 。

给定长度为 $N$ 的两个输入 $x,y$ ，平滑L1损失的计算如下：

$$\begin{array}{r}{L}_i=\{\begin{array}{ll}\frac{0.5(x_i-y_i{)}^2}{\beta },& \text{if }|x_i-y_i|<\beta \\ |x_i-y_i|-0.5\ast \beta ,& \text{otherwise. }\end{array}\end{array}$$

当 reduction 不是设定为 none 时，计算如下：

$$\begin{array}{r}L=\{\begin{array}{ll}\mathrm{mean}(L_i),& \text{if reduction}=\text{'mean';}\\ \mathrm{sum}(L_i),& \text{if reduction}=\text{'sum'.}\end{array}\end{array}$$

其中， $\text{beta}$ 控制损失函数从二次元变为线性的point。默认值是1.0。 $N$ 为batch size。

说明

在Ascend上，目前不支持 logits 的数据类型是float64。

参数：

• logits (Tensor) - shape： $(N,\ast )$ ，其中 $\ast$ 表示任意数量的附加维度。数据类型为float16或float32， CPU和GPU后端还支持float64。

• labels (Tensor) - shape： $(N,\ast )$ ，与 logits 的shape和数据类型相同。

• beta (float) - 控制损失函数在L1Loss和L2Loss间变换的阈值。默认值：1.0。

• reduction (str) - 缩减输出的方法。默认值：’none’。其他选项：’mean’和’sum’。

返回：

Tensor。如果 reduction 为’none’，则输出为Tensor且与 logits 的shape相同。否则shape为 (1,)。

异常：

• TypeError - beta 不是float类型。

• ValueError - reduction 不是’none’，’mean’和’sum’中的任一者。

• TypeError - logits 或 labels 的数据类型不是float16，float32和float64中的任一者。

• ValueError - beta 小于0。

• ValueError - logits 与 labels 的shape不同。

• TypeError - Ascend后端不支持数据类型是float64的 logits 输入。

支持平台：

Ascend GPU CPU

样例：

>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = ops.smooth_l1_loss(logits, labels)
>>> print(output)
[0.  0.  0.5]