mindspore.nn.L1Loss

class mindspore.nn.L1Loss(reduction='mean')

L1Loss用于计算预测值和目标值之间的平均绝对误差。

假设 \(x\) 和 \(y\) 为一维Tensor，长度 \(N\) ，则计算 \(x\) 和 \(y\) 的loss而不进行降维操作（即reduction参数设置为”none”）。

公式如下：

\[\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with } l_n = \left| x_n - y_n \right|,\]

其中， \(N\) 为batch size。如果 reduction 不是”none”，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：

• 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，任意维度的Tensor。

• labels (Tensor) - 目标值，通常情况下与 logits 的shape相同。但是如果 logits 和 labels 的shape不同，需要保证他们之间可以互相广播。

输出：

Tensor，类型为float。

异常：

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

• ValueError - logits 和 labels 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, nn
>>> import numpy as np
>>> # Case 1: logits.shape = labels.shape = (3,)
>>> loss = nn.L1Loss()
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
0.33333334
>>> # Case 2: logits.shape = (3,), labels.shape = (2, 3)
>>> loss = nn.L1Loss(reduction='none')
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
[[0. 1. 2.]
 [0. 0. 1.]]