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。

问题描述

请勾选同意隐私声明

mindspore.ops.SparseSoftmaxCrossEntropyWithLogits

查看源文件
class mindspore.ops.SparseSoftmaxCrossEntropyWithLogits(is_grad=False)[源代码]

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,

pij=softmax(Xij)=exp(xi)j=0N1exp(xj)lossij={ln(pij),j=yi0,jyiloss=ijlossij
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_gradFalse ,则输出Tensor是损失值,是一个Tensor;如果 is_gradTrue ,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:

>>> import mindspore
>>> from mindspore import Tensor, ops
>>> 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]]