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, \(y_{i}\)target\(x_{i}\)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 - inputtarget 都不是Tensor。

  • TypeError - inputtarget 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