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.nn.SampledSoftmaxLoss

class mindspore.nn.SampledSoftmaxLoss(num_sampled, num_classes, num_true=1, sampled_values=None, remove_accidental_hits=True, seed=0, reduction='none')

抽样交叉熵损失函数。

一般在类别数很大时使用。可加速训练以交叉熵为损失函数的分类器。

参数：

• num_sampled (int) - 抽样的类别数。

• num_classes (int) - 类别总数。

• num_true (int) - 每个训练样本的类别数。默认值：1。

• sampled_values (Union[list, tuple]) - 抽样候选值。由 *CandidateSampler 函数返回的(sampled_candidates, true_expected_count , sampled_expected_count)的list或tuple。如果默认值为None，则应用 UniformCandidateSampler 。默认值：None。

• remove_accidental_hits (bool) - 是否移除抽样中的目标类等于标签的情况。默认值：True。

• seed (int) - 抽样的随机种子。默认值：0。

• reduction (str) - 指定应用于输出结果的计算方式。取值为”mean”，”sum”，或”none”。取值为”none”，则不执行reduction。默认值：”none”。

输入：

• weights (Tensor) - 输入的权重，shape为 $(C,dim)$ 的Tensor。

• bias (Tensor) - 分类的偏置。shape为 $(C,)$ 的Tensor。

• labels (Tensor) - 输入目标值Tensor，其shape为 $(N,num\mathrm{\_}true)$ ，其数据类型为 int64, int32 。

• logits (Tensor) - 输入预测值Tensor，其shape为 $(N,dim)$ 。

输出：

Tensor或Scalar，如果 reduction 为’none’，则输出是shape为 $(N,)$ 的Tensor。否则，输出为Scalar。

异常：

• TypeError - sampled_values 不是list或tuple。

• TypeError - labels 的数据类型既不是int32，也不是int64。

• ValueError - reduction 不为’none’、’mean’或’sum’。

• ValueError - num_sampled 或 num_true 大于 num_classes 。

• ValueError - sampled_values 的长度不等于3。

支持平台：

GPU

样例：

>>> mindspore.set_seed(1)
>>> loss = nn.SampledSoftmaxLoss(num_sampled=4, num_classes=7, num_true=1)
>>> weights = Tensor(np.random.randint(0, 9, [7, 10]), mindspore.float32)
>>> biases = Tensor(np.random.randint(0, 9, [7]), mindspore.float32)
>>> labels = Tensor([0, 1, 2])
>>> logits = Tensor(np.random.randint(0, 9, [3, 10]), mindspore.float32)
>>> output = loss(weights, biases, labels, logits)
>>> print(output)
[4.6051701e+01 1.4000047e+01 6.1989022e-06]