mindspore.nn.SampledSoftmaxLoss

class mindspore.nn.SampledSoftmaxLoss(num_sampled, num_classes, num_true=1, sampled_values=None, remove_accidental_hits=True, seed=0, reduction='none')

抽样交叉熵损失函数。

一般在类别数很大时使用。可加速训练以交叉熵为损失函数的分类器。

参数：

• num_sampled (int) - 抽样的类别数。

• num_classes (int) - 类别总数。

• num_true (int) - 每个训练样本的类别数。默认值： 1 。

• sampled_values (Union[list, tuple]) - 抽样候选值。由 *CandidateSampler 函数返回的(sampled_candidates, true_expected_count , sampled_expected_count)的list或tuple。如果默认值为None，则应用 UniformCandidateSampler 。默认值： None 。

• remove_accidental_hits (bool) - 是否移除抽样中的目标类等于标签的情况。默认值： True 。

• seed (int) - 抽样的随机种子。默认值： 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： 'none' 。

  • "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。

输入：

• weights (Tensor) - 输入的权重，shape为 \((C, dim)\) 的Tensor。

• bias (Tensor) - 分类的偏置。shape为 \((C,)\) 的Tensor。

• labels (Tensor) - 输入目标值Tensor，其shape为 \((N, num\_true)\) ，其数据类型为 int64, int32 。

• logits (Tensor) - 输入预测值Tensor，其shape为 \((N, dim)\) 。

输出：

Tensor或Scalar，如果 reduction 为 'none' ，则输出是shape为 \((N,)\) 的Tensor。否则，输出为Scalar。

异常：

• TypeError - sampled_values 不是list或tuple。

• TypeError - labels 的数据类型既不是int32，也不是int64。

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

• ValueError - num_sampled 或 num_true 大于 num_classes 。

• ValueError - sampled_values 的长度不等于3。

支持平台：

GPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> mindspore.set_seed(1)
>>> loss = nn.SampledSoftmaxLoss(num_sampled=4, num_classes=7, num_true=1)
>>> weights = Tensor(np.random.randint(0, 9, [7, 10]), mindspore.float32)
>>> biases = Tensor(np.random.randint(0, 9, [7]), mindspore.float32)
>>> labels = Tensor([0, 1, 2])
>>> logits = Tensor(np.random.randint(0, 9, [3, 10]), mindspore.float32)
>>> output = loss(weights, biases, labels, logits)
>>> print(output)
[4.6051701e+01 1.4000047e+01 6.1989022e-06]