mindspore.nn.HingeEmbeddingLoss
- class mindspore.nn.HingeEmbeddingLoss(margin=1.0, reduction='mean')[源代码]
Hinge Embedding 损失函数。根据输入 logits 和 labels (只包含1或-1)计算Hinge Embedding损失值。通常被用来衡量两个输入之间的相似度。
mini-batch中的第 \(n\) 个样例的损失函数为:
\[\begin{split}l_n = \begin{cases} x_n, & \text{if}\; y_n = 1,\\ \max \{0, \Delta - x_n\}, & \text{if}\; y_n = -1, \end{cases}\end{split}\]总损失值为:
\[\begin{split}\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]其中 \(L = \{l_1,\dots,l_N\}^\top\)。
- 参数:
margin (float, int) - Hinge Embedding Loss公式定义的阈值 \(margin\)。公式中表示为 \(\Delta\)。默认值:
1.0
。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。
- 输入:
logits (Tensor) - 预测值,公式中表示为 \(x\),shape为 \((*)\)。 \(*\) 代表着任意数量的维度。
labels (Tensor) - 标签值,公式中表示为 \(y\),和 logits 具有相同shape,包含1或-1。
- 返回:
Tensor或Tensor scalar,根据 \(reduction\) 计算的loss。
- 异常:
TypeError - logits 不是Tensor。
TypeError - labels 不是Tensor。
TypeError - margin 不是float或int。
ValueError - labels 和 logits shape不一致且不能广播。
ValueError - reduction 不是
"none"
、"mean"
或者"sum"
。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore as ms >>> import mindspore.nn as nn >>> import numpy as np >>> arr1 = np.array([0.9, -1.2, 2, 0.8, 3.9, 2, 1, 0, -1]).reshape((3, 3)) >>> arr2 = np.array([1, 1, -1, 1, -1, 1, -1, 1, 1]).reshape((3, 3)) >>> logits = ms.Tensor(arr1, ms.float32) >>> labels = ms.Tensor(arr2, ms.float32) >>> loss = nn.HingeEmbeddingLoss(reduction='mean') >>> output = loss(logits, labels) >>> print(output) 0.16666667