mindspore.ops.SparseSoftmaxCrossEntropyWithLogits

class mindspore.ops.SparseSoftmaxCrossEntropyWithLogits(is_grad=False)

计算预测值和标签之间的稀疏softmax交叉熵。

将预测值设置为 X ，输入标签设置为 Y ，输出设置为 loss 。然后，

\[\begin{split}\begin{array}{ll} \\ p_{ij} = softmax(X_{ij}) = \frac{\exp(x_i)}{\sum_{j = 0}^{N-1}\exp(x_j)} \\ loss_{ij} = \begin{cases} -ln(p_{ij}), &j = y_i \cr 0, & j \neq y_i \end{cases} \\ loss = \sum_{ij} loss_{ij} \end{array}\end{split}\]

参数：

• is_grad (bool) - 如果为True，则返回计算的梯度。默认值：False。

输入：

• logits (Tensor) - 输入的预测值，其shape为 \((N, C)\) 。数据类型必须为float16或float32。

• labels (Tensor) - 输入的标签，其shape为 \((N)\) 。数据类型必须为int32或int64。

输出：

Tensor，如果 is_grad 为False，则输出Tensor是损失值，是一个Tensor；如果 is_grad 为True，则输出记录的是输入的梯度，其shape与 logits 相同。

异常：

• TypeError - 如果 is_grad 不是bool。

• TypeError - 如果 logits 的数据类型既不是float16也不是float32。

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

• ValueError - 如果 \(logits.shape[0] != labels.shape[0]\) 。

支持平台：

GPU CPU

样例：

>>> logits = Tensor([[2, 3, 1, 4, 5], [2, 1, 2, 4, 3]], mindspore.float32)
>>> labels = Tensor([0, 1], mindspore.int32)
>>> sparse_softmax_cross = ops.SparseSoftmaxCrossEntropyWithLogits()
>>> loss = sparse_softmax_cross(logits, labels)
>>> print(loss)
3.4878292
>>> sparse_softmax_cross_grad = ops.SparseSoftmaxCrossEntropyWithLogits(is_grad=True)
>>> loss_grad = sparse_softmax_cross_grad(logits, labels)
>>> print(loss_grad)
[[-0.48415753  0.04306427  0.00582811  0.11706084  0.3182043 ]
 [ 0.04007946 -0.4852556   0.04007946  0.2961494   0.10894729]]