mindspore.nn.PoissonNLLLoss

class mindspore.nn.PoissonNLLLoss(log_input=True, full=False, eps=1e-08, reduction='mean')[源代码]

计算泊松负对数似然损失。

损失为：

L_{D} = \sum_{i = 0}^{| D |} (x_{i} - y_{i} \ln x_{i} + \ln y_{i}!)

其中 $L_{D}$ 为损失值， $y_{i}$ 为 target ， $x_{i}$ 为 input 。

如果 log_input 为True，使用 $e^{x_{i}} - y_{i} x_{i}$ 而不是 $x_{i} - y_{i} \ln x_{i}$ 进行计算。计算对数时，input 的下界设置为 eps，以避免数值误差。如果 full 为False，则最后一项： $\ln y_{i}!$ 将被省略。否则，最后一项将使用斯特林公式近似：

n! \approx \sqrt{2 π n} {(\frac{n}{e})}^{n}

说明

在Ascend下计算负数的对数或大正数的指数将具有与GPU和CPU下不同的返回值和结果范围。

参数：

log_input (bool，可选) - 是否使用对数输入。默认值：True。
full (bool，可选) - 是否在损失计算中包括斯特林近似项。默认值：False。
eps (float，可选) - 算对数时 input 的下界。默认值：1e-08。
reduction (str，可选) - 指定要应用于输出的缩减方式，取值为’none’、’mean’或’sum’。默认值：’mean’。

输入：

input (Tensor) - 输入Tensor。shape可以是任意维。
target (Tensor) - 标签Tensor，其shape与 input 相同。

输出：

Tensor或Scalar，如果 reduction 为none’，则输出是Tensor，其形状与 input 相同。否则，它是Scalar。

异常：

TypeError - reduction 不是str类型。
TypeError - input 或 target 都不是Tensor。
TypeError - input 或 target 的数据类型不支持。

支持平台：

Ascend GPU CPU

样例：

>>> x = Tensor([[0.3, 0.7], [0.5, 0.5]])
>>> target = Tensor([[1.0, 2.0], [3.0, 4.0]])
>>> loss = nn.PoissonNLLLoss()
>>> output = loss(x, target)
>>> print(output.asnumpy())
0.3652635