mindspore.nn.L1Loss
- class mindspore.nn.L1Loss(reduction='mean')[源代码]
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.]]