mindspore.nn.PoissonNLLLoss
- class mindspore.nn.PoissonNLLLoss(log_input=True, full=False, eps=1e-08, reduction='mean')[源代码]
计算泊松负对数似然损失。
损失为:
\[\mathcal{L}_{D} = \sum_{i = 0}^{|D|}\left( x_{i} - y_{i}\ln x_{i} + \ln{y_{i}!} \right)\]其中 \(\mathcal{L}_{D}\) 为损失值, \(y_{i}\) 为 target , \(x_{i}\) 为 input 。
如果 log_input 为True,使用 \(e^{x_{i}} - y_{i} x_{i}\) 而不是 \(x_{i} - y_{i}\ln x_{i}\) 进行计算。 计算对数时,input 的下界设置为 eps,以避免数值误差。 如果 full 为False,则最后一项:\(\ln{y_{i}!}\) 将被省略。否则,最后一项将使用斯特林公式近似:
\[n! \approx \sqrt{2\pi n}\left( \frac{n}{e} \right)^{n}\]说明
在Ascend下计算负数的对数或大正数的指数将具有与GPU和CPU下不同的返回值和结果范围。
- 参数:
log_input (bool,可选) - 是否使用对数输入。默认值:
True
。full (bool,可选) - 是否在损失计算中包括斯特林近似项。默认值:
False
。eps (float,可选) - 算对数时 input 的下界。默认值:
1e-08
。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:
input (Tensor) - 输入Tensor。shape可以是任意维。
target (Tensor) - 标签Tensor,其shape与 input 相同。
- 输出:
Tensor或Scalar,如果 reduction 为none’,则输出是Tensor,其形状与 input 相同。否则,它是Scalar。
- 异常:
TypeError - reduction 不是str类型。
TypeError - input 或 target 都不是Tensor。
TypeError - input 或 target 的数据类型不支持。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore as ms >>> import mindspore.nn as nn >>> x = ms.Tensor([[0.3, 0.7], [0.5, 0.5]]) >>> target = ms.Tensor([[1.0, 2.0], [3.0, 4.0]]) >>> loss = nn.PoissonNLLLoss() >>> output = loss(x, target) >>> print(output.asnumpy()) 0.3652635