文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

文档反馈

mindspore.ops.l1_loss

mindspore.ops.l1_loss(input, target, reduction='mean')[源代码]

用于计算预测值和目标值之间的平均绝对误差。

假设 $x$ 和 $y$ 为预测值和目标值，均为一维Tensor，长度 $N$ ， reduction 设置为 'none' ，则计算 $x$ 和 $y$ 的loss不进行降维操作。

公式如下：

ℓ (x, y) = L = {l_{1}, \dots, l_{N}}^{⊤}, with l_{n} = | x_{n} - y_{n} |,

其中， $N$ 为batch size。

如果 reduction 是 'mean' 或者 'sum' ，则：

\begin{array}{r} ℓ (x, y) = {\begin{cases} mean (L), & if reduction ='mean'; \\ sum (L), & if reduction ='sum'. \end{cases} \end{array}

参数：

input (Tensor) - 预测值，任意维度的Tensor。
target (Tensor) - 目标值，通常情况与 input 的shape相同。如果 input 和 target 的shape不同，需要保证他们之间可以互相广播。
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。

返回：

Tensor或Scalar，如果 reduction 为 ''none' ，则返回与 input 具有相同shape和dtype的Tensor。否则，将返回Scalar。

异常：

TypeError - input 不是Tensor。
TypeError - target 不是Tensor。
ValueError - reduction 不为 'mean' 、 'sum' 或 'none' 。

支持平台：

Ascend GPU CPU

样例：

>>> from mindspore import Tensor, ops
>>> from mindspore import dtype as mstype
>>> x = Tensor([[1, 2, 3], [4, 5, 6]], mstype.float32)
>>> target = Tensor([[6, 5, 4], [3, 2, 1]], mstype.float32)
>>> output = ops.l1_loss(x, target, reduction="mean")
>>> print(output)
3.0