mindspore.nn.SoftMarginLoss

class mindspore.nn.SoftMarginLoss(reduction='mean')[源代码]

针对二分类问题的损失函数。

SoftMarginLoss用于计算输入Tensor \(x\) 和目标值Tensor \(y\) （包含1或-1）的二分类损失值。

\[\text{loss}(x, y) = \sum_i \frac{\log(1 + \exp(-y[i]*x[i]))}{x.nelement()}\]

\(x.nelement()\) 代表 x 中元素的个数。

参数：

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。

输入：

logits (Tensor) - 预测值，数据类型为float16或float32。
labels (Tensor) - 目标值，数据类型和shape与 logits 的相同。

输出：

Tensor或Scalar，如果 reduction 为"none"，其shape与 logits 相同。否则，将返回Scalar。

异常：

TypeError - logits 或 labels 不是Tensor。
TypeError - logits 或 labels 的数据类型既不是float16也不是float32。
ValueError - logits 的shape与 labels 不同。
ValueError - reduction 不为"mean"，"sum"，或"none"。

支持平台：

Ascend GPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> loss = nn.SoftMarginLoss()
>>> logits = Tensor(np.array([[0.3, 0.7], [0.5, 0.5]]), mindspore.float32)
>>> labels = Tensor(np.array([[-1, 1], [1, -1]]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
0.6764238