mindspore.ops.l1_loss

mindspore.ops.l1_loss(input, target, reduction='mean')

用于计算预测值和目标值之间的平均绝对误差。

假设 $x$ 和 $y$ 为一维Tensor，长度 $N$ ，reduction 设置为”none”,则计算 $x$ 和 $y$ 的loss不进行降维操作。

公式如下：

$$\ell (x,y)=L=\{l_1,\dots ,l_N{\}}^{\mathrm{\top }},\text{with }{l}_n=|x_n-y_n|,$$

其中， $N$ 为batch size。

如果 reduction 是mean或者sum，则：

$$\begin{array}{r}\ell (x,y)=\{\begin{array}{ll}\mathrm{mean}(L),& \text{if reduction}=\text{'mean';}\\ \mathrm{sum}(L),& \text{if reduction}=\text{'sum'.}\end{array}\end{array}$$

参数：

• input (Tensor) - 预测值，任意维度的Tensor。

• target (Tensor) - 目标值，通常情况与 input 的shape相同。如果 input 和 target 的shape不同，需要保证他们之间可以互相广播。

• reduction (str, optional) - 应用于loss的reduction类型。取值为 "mean" ， "sum" 或 "none" 。默认值： 'mean' 。

返回：

Tensor或Scalar，如果 reduction 为 none ，则返回与 input 具有相同shape和dtype的Tensor。否则，将返回Scalar。

异常：

• TypeError - input 不是Tensor。

• TypeError - target 不是Tensor。

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

支持平台：

Ascend GPU CPU

样例：

>>> x = ms.Tensor([[1, 2, 3], [4, 5, 6]], mstype.float32)
>>> target = ms.Tensor([[6, 5, 4], [3, 2, 1]], mstype.float32)
>>> output = ops.l1_loss(x, target, reduction="mean")
>>> print(output)
3.0