mindspore.ops.huber_loss
- mindspore.ops.huber_loss(input, target, reduction='mean', delta=1.0)[源代码]
计算预测值和目标值之间的误差,兼具
mindspore.ops.l1_loss()
和mindspore.ops.mse_loss()
的优点。假设 \(x\) 和 \(y\) 为一维Tensor,长度 \(N\) ,reduction参数设置为
'none'
,计算 \(x\) 和 \(y\) 的loss而不进行降维操作。公式如下:\[\ell(x, y) = L = \{l_1,\dots,l_N\}^\top\]以及
\[\begin{split}l_n = \begin{cases} 0.5 * (x_n - y_n)^2, & \text{if } |x_n - y_n| < delta; \\ delta * (|x_n - y_n| - 0.5 * delta), & \text{otherwise. } \end{cases}\end{split}\]其中, \(N\) 为batch size。
如果 reduction 是
'mean'
或'sum'
,则:\[\begin{split}\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{"mean";}\\ \operatorname{sum}(L), & \text{if reduction} = \text{"sum".} \end{cases}\end{split}\]- 参数:
input (Tensor) - 输入预测值,任意维度的Tensor。
target (Tensor) - 目标值,通常情况下与 input 的shape和dtype相同。但是当 target 和 x 的shape不同时,需要保证他们之间可以互相广播。
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。
delta (Union[int, float]) - 两种损失之间变化的阈值。该值必须大于零。默认值:
1.0
。
- 返回:
Tensor或Scalar,如果 reduction 为 none ,则返回与 input 具有相同shape和dtype的Tensor。否则,将返回Scalar。
- 异常:
TypeError - input 或 target 不是Tensor。
TypeError - delta 不是float或int。
ValueError - delta 的值小于或等于0。
ValueError - reduction 不为
"mean"
、"sum"
或"none"
。ValueError - input 和 target 有不同的shape,且不能互相广播。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> from mindspore import Tensor, ops >>> x = Tensor([1, 2, 10, 2], mindspore.float32) >>> target = Tensor([1, 5, 1, 20], mindspore.float32) >>> output = ops.huber_loss(x, target, reduction="mean", delta=2) >>> print(output) 13.5