mindspore.nn.Softmin

class mindspore.nn.Softmin(axis=- 1)[源代码]

Softmin函数，它是二分类函数 mindspore.nn.Sigmoid 在多分类上的推广，目的是将多分类的结果以概率的形式展现出来。

对输入Tensor在轴 axis 上的元素计算其指数函数值，然后归一化到[0, 1]范围，总和为1。

Softmin定义为：

\[\text{softmin}(x_{i}) = \frac{\exp(-x_i)}{\sum_{j=0}^{n-1}\exp(-x_j)},\]

其中， \(x_{i}\) 是输入Tensor在轴 axis 上的第 \(i\) 个元素。

参数：

axis (Union[int, tuple[int]]) - 指定Softmin运算的轴axis，假设输入 x 的维度为x.ndim，则axis的范围为 [-x.ndim, x.ndim) ，-1表示最后一个维度。默认值：-1。CPU环境下，axis只支持int类型。

输入：

x (Tensor) - 用于计算Softmin函数的Tensor，数据类型为float16或float32。

输出：

Tensor，数据类型和shape与 x 相同，取值范围为[0, 1]。

异常：

TypeError - axis 既不是int也不是tuple。
TypeError - x 的数据类型既不是float16也不是float32。
ValueError - axis 是长度小于1的tuple。
ValueError - axis 是一个tuple，其元素不都在 [-x.ndim, x.ndim) 范围内。

支持平台：

Ascend GPU CPU

样例：

>>> # axis = -1(default), and the sum of return value is 1.0.
>>> x = Tensor(np.array([-1, -2, 0, 2, 1]), mindspore.float16)
>>> softmin = nn.Softmin()
>>> output = softmin(x)
>>> print(output)
[0.2341  0.636  0.0862  0.01165  0.03168 ]
>>> assert(1.0 == output.sum())