mindspore.nn.NLLLoss
- class mindspore.nn.NLLLoss(weight=None, ignore_index=- 100, reduction='mean')[源代码]
计算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 \(reduction \neq none\) 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:
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。
- 输入:
logits (Tensor) - 输入预测值,shape为 \((N, C)\) 或 \((N, C, d_1, d_2, ..., d_K)\) (针对 \(K\) 维数据)。inputs 需为对数概率。数据类型仅支持float32或float16。
labels (Tensor) - 输入目标值,shape为 \((N)\) 或 \((N, d_1, d_2, ..., d_K)\) (针对 \(K\) 维数据)。 数据类型仅支持int32。
- 返回:
Tensor,一个数据类型与logits相同的Tensor。
- 异常:
TypeError - weight 不是Tensor。
TypeError - weight 的dtype既不是float16,也不是float32。
TypeError - ignore_index 不是int。
ValueError - reduction 不为
"mean"
、"sum"
或"none"
。TypeError - logits 不是Tensor。
TypeError - labels 不是Tensor。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore as ms >>> import mindspore.nn as nn >>> import numpy as np >>> logits = ms.Tensor(np.random.randn(3, 5), ms.float32) >>> labels = ms.Tensor(np.array([1, 0, 4]), ms.int32) >>> loss = nn.NLLLoss() >>> output = loss(logits, labels)