mindspore.ops.cosine_embedding_loss

mindspore.ops.cosine_embedding_loss(input1, input2, target, margin=0.0, reduction='mean')

余弦相似度损失函数，用于测量两个Tensor之间的相似性。

给定两个Tensor \(input1\) 和 \(input2\) ，以及一个Tensor标签 \(target\) ，值为1或-1，公式如下：

\[\begin{split}loss(input1, input2, target) = \begin{cases} 1-cos(input1, input2), & \text{if } target = 1\\ max(0, cos(input1, input2)-margin), & \text{if } target = -1\\ \end{cases}\end{split}\]

参数：

• input1 (Tensor) - 输入Tensor，shape \((N, *)\) ，其中 \(*\) 代表任意数量的附加维度。

• input2 (Tensor) - 输入Tensor，shape \((N, *)\) 。shape和数据类型与 input1 相同。

• target (Tensor) - 输入值为1或-1。假设 input1 的shape是 \((x_1, x_2, x_3, ..., x_R)\) ，那么 target 的shape必须是 \((x_1, x_3, x_4, ..., x_R)\) 。

• margin (float，可选) - 指定运算的调节因子，取值范围[-1.0, 1.0]。默认值： 0.0 。

• 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。

返回：

Tensor或Scalar，如果 reduction 为”none”，其shape与 target 相同。否则，将返回为Scalar。

异常：

• TypeError - margin 不是float。

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

• ValueError - margin 的值不在范围[-1.0, 1.0]内。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> intput1 = Tensor(np.array([[0.3, 0.8], [0.4, 0.3]]), mindspore.float32)
>>> intput2 = Tensor(np.array([[0.4, 1.2], [-0.4, -0.9]]), mindspore.float32)
>>> target = Tensor(np.array([1, -1]), mindspore.int32)
>>> output = ops.cosine_embedding_loss(intput1, intput2, target)
>>> print(output)
0.0003425479