mindspore.ops.NLLLoss

class mindspore.ops.NLLLoss(reduction='mean', ignore_index=- 100)

获取预测值和目标值之间的负对数似然损失。

\(reduction = none\) 时，负对数似然损失如下：

\[\ell(x, t)=L=\left\{l_{1}, \ldots, l_{N}\right\}^{\top}, \quad l_{n}=-w_{t_{n}} x_{n, t_{n}}, \quad w_{c}=\text { weight }[c] \cdot 1\]

其中， \(x\) 表示预测值， \(t\) 表示目标值， \(w\) 表示权重， \(N\) 表示batch size， \(c\) 限定范围为[0, C-1]，表示类索引，其中 \(C\) 表示类的数量。

\(reduction \neq none\) 时（默认为 "mean" ），则

\[\begin{split}\ell(x, t)=\left\{\begin{array}{ll} \sum_{n=1}^{N} \frac{1}{\sum_{n=1}^{N} w_{t n}} l_{n}, & \text { if reduction }=\text { 'mean'; } \\ \sum_{n=1}^{N} l_{n}, & \text { if reduction }=\text { 'sum' } \end{array}\right\end{split}\]

参数：

• 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"：计算输出元素的加权平均值。

  • "sum"：计算输出元素的总和。

• ignore_index (int) - 指定标签中需要忽略的值(一般为填充值)，使其不对梯度产生影响。默认值： -100 。

输入：

• logits (Tensor) - 输入预测值，shape为 \((N, C)\) 。数据类型仅支持float32或float16。

• labels (Tensor) - 输入目标值，shape为 \((N,)\) ，取值范围为 \([0, C-1]\) 。数据类型仅支持int32或int64。

• weight (Tensor) - 指定各类别的权重，shape为 \((C,)\) ，数据类型仅支持float32或float16。

输出：

由 loss 和 total_weight 组成的2个Tensor的tuple。

• loss (Tensor) - 当 reduction 为’none’且 logits 为二维Tensor时， loss 的shape为 \((N,)\) 。否则， loss 为scalar。数据类型与 logits 相同。

• total_weight (Tensor) - total_weight 是scalar，数据类型与 weight 相同。

异常：

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

• TypeError - labels 的数据类型既不是int32也不是int64。

• ValueError - logits 不是二维Tensor， labels 和 weight 不是一维Tensor。 logits 的第一个维度不等于 labels ， logits 的第二个维度不等于 weight 。

• ValueError - labels 的取值超出 \([0, C-1]\) ，其中 \(C\) 表示类的数量。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> logits = Tensor(np.array([[0.5488135, 0.71518934],
...                           [0.60276335, 0.5448832],
...                           [0.4236548, 0.6458941]]).astype(np.float32))
>>> labels = Tensor(np.array([0, 0, 0]).astype(np.int32))
>>> weight = Tensor(np.array([0.3834415, 0.79172504]).astype(np.float32))
>>> nll_loss = ops.NLLLoss(reduction="mean")
>>> loss, weight = nll_loss(logits, labels, weight)
>>> print(loss)
-0.52507716
>>> print(weight)
1.1503246