mindspore.nn.MAELoss

class mindspore.nn.MAELoss(reduction='mean')

衡量 \(x\) 和 \(y\) 之间的平均绝对误差。其中 \(x\) 是输入 logits ，\(y\) 是标签 labels 。

简单来说，假设 \(x\) 和 \(y\) 是两个长度为 \(N\) 的1D Tensor。未归约前的（参数 reduction 是 'none'）损失为：

\[\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with } l_n = \left| x_n - y_n \right|\]

N 是批次（batch）个数。

如果 reduction 不是 'none'，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：

• reduction (str, 可选) - 对输出使用归约算法： 'none' 、 'mean' 、 'sum' 。 默认值：'mean' 。

  • 'none': 不使用规约算法。

  • 'mean': 计算输出的平均值。

  • 'sum': 计算输出中所有元素的和。

输入：

• logits (Tensor) - Tensor的shape是 \((M, *)\)，其中， \(*\) 的含义是任意额外的维度。

• labels (Tensor) - Tensor的shape是 \((N, *)\)，通常和 logits 的shape相同。然而，当 logits 和 labels 的shape不同时，它们需要支持广播。

输出：

Tensor，加权损失，dtype是float，如果 reduction 是 'mean' 或 'sum'，shape则为0，否则当 reduction 是 'none' 时，shape是广播之后的shape。

异常：

• ValueError - 如果 reduction 不是 'none'， 'mean'， 'sum' 中的一个。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> # Case 1: logits.shape = labels.shape = (3,)
>>> loss = nn.MAELoss()
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
0.33333334
>>> # Case 2: logits.shape = (3,), labels.shape = (2, 3)
>>> loss = nn.MAELoss(reduction='none')
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
[[0. 1. 2.]
 [0. 0. 1.]]