比较与torch.nn.SmoothL1Loss的差异

torch.nn.SmoothL1Loss

class torch.nn.SmoothL1Loss(size_average=None, reduce=None, reduction='mean', beta=1.0)(input, target) -> Tensor

更多内容详见torch.nn.SmoothL1Loss。

mindspore.nn.SmoothL1Loss

class mindspore.nn.SmoothL1Loss(beta=1.0, reduction='none')(logits, labels) -> Tensor

更多内容详见mindspore.nn.SmoothL1Loss。

差异对比

PyTorch：SmoothL1Loss损失函数，如果预测值和目标值的逐个元素绝对误差小于设定阈值beta则用平方项，否则用绝对误差项。

MindSpore：除两个在PyTorch已弃用的参数不同外，功能上无差异。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	size_average	-	已弃用，被reduction取代，MindSpore无此参数
	参数2	reduce	-	已弃用，被reduction取代，MindSpore无此参数
	参数3	reduction	reduction	功能一致，默认值不同
	参数4	beta	beta	-
输入	输入1	input	logits	功能一致，参数名不同
	输入2	target	labels	功能一致，参数名不同

代码示例

两API实现功能一致，用法相同。

# PyTorch
import torch
import torch.nn as nn

beta = 1
loss = nn.SmoothL1Loss(reduction="none", beta=beta)
logits = torch.FloatTensor([1, 2, 3])
labels = torch.FloatTensor([1, 2, 2])
output = loss(logits, labels)
print(output.numpy())
# [0.  0.  0.5]

# MindSpore
import mindspore
import numpy as np
from mindspore import Tensor

loss = mindspore.nn.SmoothL1Loss()
logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
output = loss(logits, labels)
print(output)
# [0.  0.  0.5]