mindspore.ops.soft_margin_loss

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

计算 input 和 target 之间的soft margin loss。

一个二分类任务，计算输入 \(x\) 和真实标签 \(y\) （包含1或-1）之间的损失。

\[\text{loss}(x, y) = \sum_i \frac{\log(1 + \exp(-y[i]*x[i]))}{\text{x.nelement}()}\]

其中 \(x.nelement()\) 是 \(x\) 的元素数量。

警告

这是一个实验性API，后续可能修改或删除。

参数：

• input (Tensor) - 预测值。数据类型必须为float16或float32。

• target (Tensor) - 真实标签，数据类型和shape与 logits 相同。

• 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： 'mean' 。

  • "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。

输出：

Tensor或Scalar。如果 reduction 为 'none' ，其shape与 logits 相同。否则，将返回Scalar。

异常：

• TypeError - 如果 logits 或 labels 不是Tensor。

• TypeError - 如果 logits 或 labels 的数据类型既不是float16也不是float32。

• ValueError - 如果 logits 与 labels 的shape不相同。

• ValueError - 如果 reduction 不是 'none' 、 'mean' 或 'sum' 。

支持平台：

Ascend GPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> logits = Tensor(np.array([[0.3, 0.7], [0.5, 0.5]]), mindspore.float32)
>>> labels = Tensor(np.array([[-1, 1], [1, -1]]), mindspore.float32)
>>> output = ops.soft_margin_loss(logits, labels)
>>> print(output)
0.6764238