mindspore.ops.hinge_embedding_loss
- mindspore.ops.hinge_embedding_loss(inputs, targets, margin=1.0, reduction='mean')[源代码]
Hinge Embedding 损失函数,衡量输入 inputs 和标签 targets (包含1或-1)之间的损失值。
mini-batch中的第 \(n\) 个样例的损失函数为:
\[\begin{split}l_n = \begin{cases} x_n, & \text{if}\; y_n = 1,\\ \max \{0, \Delta - x_n\}, & \text{if}\; y_n = -1, \end{cases}\end{split}\]总损失值为:
\[\begin{split}\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]其中 \(L = \{l_1,\dots,l_N\}^\top\)。
- 参数:
inputs (Tensor) - 预测值,公式中表示为 \(x\)。
targets (Tensor) - 标签值,公式中表示为 \(y\),和 inputs 具有相同shape,包含1或-1。
margin (float, int) - Hinge Embedding Loss公式定义的阈值 margin。公式中表示为 \(\Delta\)。默认值:
1.0
。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Tensor scalar,根据 reduction 计算的loss。
- 异常:
TypeError - inputs 不是Tensor。
TypeError - targets 不是Tensor。
TypeError - margin 不是float或者int。
ValueError - inputs 和 targets shape不一致且不能广播。
ValueError - reduction 不是
"none"
、"mean"
或者"sum"
。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import numpy as np >>> import mindspore.common.dtype as mstype >>> import mindspore.ops as ops >>> from mindspore import Tensor >>> arr1 = np.array([0.9, -1.2, 2, 0.8, 3.9, 2, 1, 0, -1]).reshape((3, 3)) >>> arr2 = np.array([1, 1, -1, 1, -1, 1, -1, 1, 1]).reshape((3, 3)) >>> logits = Tensor(arr1, mstype.float32) >>> labels = Tensor(arr2, mstype.float32) >>> loss = ops.hinge_embedding_loss(logits, labels, margin=1.0, reduction='mean') >>> print(loss) 0.16666666