mindspore.ops.huber_loss

mindspore.ops.huber_loss(input, target, reduction='mean', delta=1.0)[源代码]

计算预测值和目标值之间的误差，兼具 mindspore.ops.l1_loss() 和 mindspore.ops.mse_loss() 的优点。

假设 \(x\) 和 \(y\) 为一维Tensor，长度 \(N\) ，reduction参数设置为 'none' ，计算 \(x\) 和 \(y\) 的loss而不进行降维操作。公式如下：

\[\ell(x, y) = L = \{l_1,\dots,l_N\}^\top\]

以及

\[\begin{split}l_n = \begin{cases} 0.5 * (x_n - y_n)^2, & \text{if } |x_n - y_n| < delta; \\ delta * (|x_n - y_n| - 0.5 * delta), & \text{otherwise. } \end{cases}\end{split}\]

其中， \(N\) 为batch size。

如果 reduction 是 'mean' 或 'sum' ，则：

\[\begin{split}\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{"mean";}\\ \operatorname{sum}(L), & \text{if reduction} = \text{"sum".} \end{cases}\end{split}\]
参数：

  • input (Tensor) - 输入预测值，任意维度的Tensor。

  • target (Tensor) - 目标值，通常情况下与 input 的shape和dtype相同。但是当 target 和 x 的shape不同时，需要保证他们之间可以互相广播。

  • 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。

  • delta (Union[int, float]) - 两种损失之间变化的阈值。该值必须大于零。默认值： 1.0 。

返回：

Tensor或Scalar，如果 reduction 为 none ，则返回与 input 具有相同shape和dtype的Tensor。否则，将返回Scalar。

异常：

  • TypeError - input 或 target 不是Tensor。

  • TypeError - delta 不是float或int。

  • ValueError - delta 的值小于或等于0。

  • ValueError - reduction 不为 "mean" 、 "sum" 或 "none" 。

  • ValueError - input 和 target 有不同的shape，且不能互相广播。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, ops
>>> x = Tensor([1, 2, 10, 2], mindspore.float32)
>>> target = Tensor([1, 5, 1, 20], mindspore.float32)
>>> output = ops.huber_loss(x, target, reduction="mean", delta=2)
>>> print(output)
13.5