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。

PR

小问题，全程线上修改...

一键搞定！

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.nn.MultiClassDiceLoss

class mindspore.nn.MultiClassDiceLoss(weights=None, ignore_indiex=None, activation='softmax')

对于多标签问题，可以将标签通过one-hot编码转换为多个二分类标签。每个通道可以看做是一个二分类问题，所以损失可以通过先计算每个类别的二分类的 mindspore.nn.DiceLoss 损失，再计算各二分类损失的平均值得到。

参数：

• weights (Union[Tensor, None]) - Shape为 $(num\mathrm{\_}classes,dim)$ 的Tensor。权重shape[0]应等于标签shape[1]。默认值： None 。

• ignore_indiex (Union[int, None]) - 指定需要忽略的类别序号，如果为None，计算所有类别的Dice Loss值。默认值： None 。

• activation (Union[str, Cell]) - 应用于全连接层输出的激活函数，如’ReLU’。取值范围：[ 'softmax' , 'logsoftmax' , 'relu' , 'relu6' , 'tanh' , 'Sigmoid' ]。默认值： 'softmax' 。

输入：

• logits (Tensor) - shape为 $(N,C,\ast )$ 的Tensor，其中 $\ast$ 表示任意数量的附加维度。logits维度应大于1。数据类型必须为float16或float32。

• labels (Tensor) - shape为 $(N,C,\ast )$ 的Tensor，与 logits 的shape相同。标签维度应大于1。数据类型必须为float16或float32。

输出：

Tensor，输出为每个样本采样通过MultiClassDiceLoss函数计算所得。

异常：

• ValueError - logits 与 labels 的shape不同。

• TypeError - logits 或 labels 的类型不是Tensor。

• ValueError - logits 或 labels 的维度小于2。

• ValueError - weights 的shape[0]和 labels 的shape[1]不相等。

• ValueError - weights 是Tensor，但其维度不是2。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> loss = nn.MultiClassDiceLoss(weights=None, ignore_indiex=None, activation="softmax")
>>> logits = Tensor(np.array([[0.2, 0.5, 0.7], [0.3, 0.1, 0.5], [0.9, 0.6, 0.3]]), mindspore.float32)
>>> labels = Tensor(np.array([[0, 1, 0], [1, 0, 0], [0, 0, 1]]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
0.54958105