mindspore.ops.nll_loss

mindspore.ops.nll_loss(inputs, target, weight=None, ignore_index=- 100, reduction='mean', label_smoothing=0.0)

获取预测值和目标值之间的负对数似然损失。

reduction为’none’时，负对数似然损失公式如下：

\[\ell(x, t)=L=\left\{l_{1}, \ldots, l_{N}\right\}^{\top}, \quad l_{n}=-w_{t_{n}} x_{n, t_{n}}, \quad w_{c}=\text { weight }[c] \cdot \mathbb{1} \{c \not= \text{ignore_index}\},\]

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。

若reduction不为 'none' （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：

• inputs (Tensor) - 输入预测值，shape为 \((N, C)\) 或 \((N, C, H, W)\) (针对二维数据)，或 \((N, C, d_1, d_2, ..., d_K)\) (针对高维数据)。inputs 需为对数概率。数据类型仅支持float32或float16。

• target (Tensor) - 输入目标值，shape为 \((N)\) 或 \((N, d_1, d_2, ..., d_K)\) (针对高维数据)。 数据类型仅支持int32。

• weight (Tensor) - 指定各类别的权重。若值不为 None ，则shape为 \((C,)\)。 数据类型仅支持float32或float16。默认值： None 。

• ignore_index (int) - 指定target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 。

• 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。

• label_smoothing (float) - 标签平滑值，用于计算Loss时防止模型过拟合的正则化手段。取值范围为[0.0, 1.0]。默认值： 0.0 。

返回：

Tensor，数据类型与 inputs 相同。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> inputs = mindspore.Tensor(np.random.randn(3, 5), mindspore.float32)
>>> target = mindspore.Tensor(np.array([1, 0, 4]), mindspore.int32)
>>> output = ops.nll_loss(inputs, target)