mindspore.nn.SmoothL1Loss

class mindspore.nn.SmoothL1Loss(beta=1.0, reduction='none')[源代码]

SmoothL1损失函数，如果预测值和目标值的逐个元素绝对误差小于设定阈值 beta 则用平方项，否则用绝对误差项。

给定两个输入 \(x,\ y\)，SmoothL1Loss定义如下：

\[\begin{split}L_{i} = \begin{cases} \frac{0.5 (x_i - y_i)^{2}}{\beta}, & \text{if } |x_i - y_i| < {\beta} \\ |x_i - y_i| - 0.5 {\beta}, & \text{otherwise.} \end{cases}\end{split}\]

当 reduction 不是设定为 none 时，计算如下：

\[\begin{split}L = \begin{cases} \operatorname{mean}(L_{i}), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L_{i}), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]

其中，\({\beta}\) 代表阈值 beta 。

说明

在 Ascend 平台上，当 logits 的数据类型是 float64 时，算子性能会有明显下降。
SmoothL1Loss可以看成 mindspore.nn.L1Loss 的修改版本，也可以看成 mindspore.nn.L1Loss 和 mindspore.ops.L2Loss 的组合。
mindspore.nn.L1Loss 计算两个输入Tensor之间的绝对误差，而 mindspore.ops.L2Loss 计算两个输入Tensor之间的平方误差。
mindspore.ops.L2Loss 通常更快收敛，但对离群值的鲁棒性较差。该损失函数具有较好的鲁棒性。

参数：

beta (float) - 损失函数计算在L1Loss和L2Loss间变换的阈值。默认值： 1.0 。
reduction (str，可选) - 指定应用于输出结果的规约计算方式，可选 'none' 、 'mean' 、 'sum' ，默认值： 'none' 。
- "none"：不应用规约方法。
- "mean"：计算输出元素的平均值。
- "sum"：计算输出元素的总和。

输入：

logits (Tensor) - 预测值，任意维度Tensor。数据类型为float16、float32或float64。
labels (Tensor) - 目标值，数据类型和shape与 logits 相同的Tensor。

输出：

Tensor。如果 reduction 为’none’，则输出为Tensor且与 logits 的shape相同。否则shape为 \(()\)。

异常：

TypeError - beta 不是float。
ValueError - reduction 不是’none’，’mean’和’sum’中的任意一个。
TypeError - logits 或 labels 不是Tensor。
TypeError - logits 或 labels 的数据类型不是float16，float32和float64中的任一者。
TypeError - logits 的数据类型与 labels 不同。
ValueError - beta 小于0。
ValueError - logits 的shape与 labels 不同。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> loss = nn.SmoothL1Loss()
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
[0.  0.  0.5]