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。

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.nn.CrossEntropyLoss

class mindspore.nn.CrossEntropyLoss(weight=None, ignore_index=- 100, reduction='mean', label_smoothing=0.0)[源代码]

计算预测值和目标值之间的交叉熵损失。

CrossEntropyLoss支持两种不同的目标值(target):

类别索引 (int)，取值范围为 $[0, C)$ 其中 $C$ 为类别数，当reduction为 'none' 时，交叉熵损失公式如下：

$ℓ (x, y) = L = {l_{1}, \dots, l_{N}}^{⊤}, l_{n} = - w_{y_{n}} \log \frac{\exp (x_{n, y_{n}})}{\sum_{c = 1}^{C} \exp (x_{n, c})} \cdot 1 {y_{n} \neq ignore_index}$

其中， $x$ 表示预测值， $t$ 表示目标值， $w$ 表示权重，N表示batch size， $c$ 限定范围为[0, C-1]，表示类索引，其中 $C$ 表示类的数量。

若reduction不为 'none' （默认为 'mean' ），则

$\begin{array}{r} ℓ (x, y) = {\begin{cases} \sum_{n = 1}^{N} \frac{1}{\sum_{n = 1}^{N} w_{y_{n}} \cdot 1 {y_{n} \neq ignore_index}} l_{n}, & if reduction ='mean', \\ \sum_{n = 1}^{N} l_{n}, & if reduction ='sum'. \end{cases} \end{array}$
类别概率 (float)，用于目标值为多个类别标签的情况。当reduction为 'none' 时，交叉熵损失公式如下：

$ℓ (x, y) = L = {l_{1}, \dots, l_{N}}^{⊤}, l_{n} = - \sum_{c = 1}^{C} w_{c} \log \frac{\exp (x_{n, c})}{\sum_{i = 1}^{C} \exp (x_{n, i})} y_{n, c}$

其中， $x$ 表示预测值， $t$ 表示目标值， $w$ 表示权重，N表示batch size， $c$ 限定范围为[0, C-1]，表示类索引，其中 $C$ 表示类的数量。

若reduction不为 'none' （默认为 'mean' ），则

$\begin{array}{r} ℓ (x, y) = {\begin{cases} \frac{\sum_{n = 1}^{N} l_{n}}{N}, & if reduction ='mean', \\ \sum_{n = 1}^{N} l_{n}, & if reduction ='sum'. \end{cases} \end{array}$

参数：

weight (Tensor) - 指定各类别的权重。若值不为None，则shape为 $(C,)$ 。数据类型仅支持float32或float16。默认值： None 。
ignore_index (int) - 指定target中需要忽略的值(一般为填充值)，使其不对梯度产生影响。默认值： -100 。
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'：计算输出元素的加权平均值。
- 'sum'：计算输出元素的总和。
label_smoothing (float) - 标签平滑值，用于计算Loss时防止模型过拟合的正则化手段。取值范围为[0.0, 1.0]。默认值： 0.0 。

输入：

logits (Tensor) - 输入预测值，shape为 $(C,)$ 、 $(N, C)$ 或 $(N, C, d_{1}, d_{2}, . . ., d_{K})$ (针对高维数据)。输入值需为对数概率。数据类型仅支持float32或float16。
labels (Tensor) - 输入目标值。若目标值为类别索引，则shape为 $()$ 、 $(N)$ 或 $(N, d_{1}, d_{2}, . . ., d_{K})$ ，数据类型仅支持int32。若目标值为类别概率，则shape为 $(C,)$ 、 $(N, C)$ 或 $(N, C, d_{1}, d_{2}, . . ., d_{K})$ ，数据类型仅支持float32或float16。

返回：

Tensor，一个数据类型与logits相同的Tensor。

异常：

TypeError - weight 不是Tensor。
TypeError - weight 的dtype既不是float16，也不是float32。
TypeError - ignore_index 不是int。
ValueError - reduction 不为 'mean' 、 'sum' 或 'none' 。
TypeError - label_smoothing 不是float。
TypeError - logits 不是Tensor。
TypeError - labels 不是Tensor。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> import numpy as np
>>> # Case 1: Indices labels
>>> inputs = ms.Tensor(np.random.randn(3, 5), ms.float32)
>>> target = ms.Tensor(np.array([1, 0, 4]), ms.int32)
>>> loss = nn.CrossEntropyLoss()
>>> output = loss(inputs, target)
>>> # Case 2: Probability labels
>>> inputs = ms.Tensor(np.random.randn(3, 5), ms.float32)
>>> target = ms.Tensor(np.random.randn(3, 5), ms.float32)
>>> loss = nn.CrossEntropyLoss()
>>> output = loss(inputs, target)