mindspore.ops.SoftmaxCrossEntropyWithLogits

class mindspore.ops.SoftmaxCrossEntropyWithLogits

使用one-hot编码获取预测值和真实之间的softmax交叉熵。

SoftmaxCrossEntropyWithLogits算法的更新公式如下：

$$\begin{array}{r}\begin{array}{l}\\ p_{ij}=softmax(X_{ij})=\frac{\exp (x_i)}{\sum _{j=0}^{N-1}\exp (x_j)}\\ los{s}_{ij}=-\sum _j{Y}_{ij}\ast ln(p_{ij})\end{array}\end{array}$$

其中 $X$ 代表 logits 。 $Y$ 代表 label 。 $loss$ 代表 output 。

输入：

• logits (Tensor) - 输入预测值，其shape为 $(N,C)$ ，数据类型为float16或float32。

• labels (Tensor) - 输入真实值，其shape为 $(N,C)$ ，数据类型与 logits 的相同。

输出：

两个Tensor(loss, dlogits)组成的tuple， loss 的shape为 $(N,)$ ， dlogits 的shape与 logits 的相同。

异常：

• TypeError - logits 或 labels 的数据类型既不是float16也不是float32。

• TypeError - logits 或 labels 不是Tensor。

• ValueError - logits 的shape与 labels 的不同。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, ops
>>> logits = Tensor([[2, 4, 1, 4, 5], [2, 1, 2, 4, 3]], mindspore.float32)
>>> labels = Tensor([[0, 0, 0, 0, 1], [0, 0, 0, 1, 0]], mindspore.float32)
>>> softmax_cross = ops.SoftmaxCrossEntropyWithLogits()
>>> loss, dlogits = softmax_cross(logits, labels)
>>> print(loss)
[0.5899297  0.52374405]
>>> print(dlogits)
[[ 0.02760027  0.20393994  0.01015357  0.20393994 -0.44563377]
 [ 0.08015892  0.02948882  0.08015892 -0.4077012   0.21789455]]