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.ops.smooth_l1_loss

mindspore.ops.smooth_l1_loss(input, target, beta=1.0, reduction='none')

计算平滑L1损失，该L1损失函数有稳健性。

平滑L1损失是一种类似于MSELoss的损失函数，但对异常值相对不敏感，可以参阅论文 Fast R-CNN 。

给定长度为 $N$ 的两个输入 $x,y$ ，平滑L1损失的计算如下：

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

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， $\text{beta}$ 控制损失函数在线性与二次间变换的阈值， $\text{beta}>0$ ，默认值是 1.0 。 $N$ 为batch size。

参数：

• input (Tensor) - shape： $(N,\ast )$ ，其中 $\ast$ 表示任意数量的附加维度。数据类型为float16，float32和float64。

• target (Tensor) - shape： $(N,\ast )$ ，与 input 的shape和数据类型相同。

• beta (float) - 控制损失函数在L1Loss和L2Loss间变换的阈值，该值必须大于0。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' 。

返回：

Tensor。如果 reduction 为’none’，则输出为Tensor且与 input 的shape相同。否则shape为 $(1,)$。

异常：

• TypeError - beta 不是float类型。

• ValueError - reduction 不是’none’，’mean’和’sum’中的任一者。

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

• ValueError - beta 小于等于0。

• ValueError - input 与 target 的shape不同。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = ops.smooth_l1_loss(logits, labels)
>>> print(output)
[0.  0.  0.5]