mindspore.nn.SmoothL1Loss

class mindspore.nn.SmoothL1Loss(beta=1.0, reduction='none')

SmoothL1损失函数，如果预测值和目标值的逐个元素绝对误差小于设定阈值 beta 则用平方项，否则用绝对误差项。

给定两个输入 $x,y$，SmoothL1Loss定义如下：

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

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，$\beta$ 代表阈值 beta 。

说明

• 在 Ascend 平台上，当 logits 的数据类型是 float64 时，算子性能会有明显下降。

• SmoothL1Loss可以看成 mindspore.nn.L1Loss 的修改版本，也可以看成 mindspore.nn.L1Loss 和 mindspore.ops.L2Loss 的组合。

• mindspore.nn.L1Loss 计算两个输入Tensor之间的绝对误差，而 mindspore.ops.L2Loss 计算两个输入Tensor之间的平方误差。

• mindspore.ops.L2Loss 通常更快收敛，但对离群值的鲁棒性较差。该损失函数具有较好的鲁棒性。

参数：

• beta (float) - 损失函数计算在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’。

输入：

• logits (Tensor) - 预测值，任意维度Tensor。数据类型为float16、float32或float64。

• labels (Tensor) - 目标值，数据类型和shape与 logits 相同的Tensor。

输出：

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

异常：

• TypeError - beta 不是float。

• ValueError - reduction 不是’none’，’mean’和’sum’中的任意一个。

• TypeError - logits 或 labels 不是Tensor。

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

• TypeError - logits 的数据类型与 labels 不同。

• ValueError - beta 小于0。

• ValueError - logits 的shape与 labels 不同。

支持平台：

Ascend GPU CPU

样例：

>>> loss = nn.SmoothL1Loss()
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
[0.  0.  0.5]