mindspore.nn.PoissonNLLLoss

class mindspore.nn.PoissonNLLLoss(log_input=True, full=False, eps=1e-08, reduction='mean')

计算泊松负对数似然损失。

损失为：

\[\mathcal{L}_{D} = \sum_{i = 0}^{|D|}\left( x_{i} - y_{i}\ln x_{i} + \ln{y_{i}!} \right)\]

其中 \(\mathcal{L}_{D}\) 为损失值， \(y_{i}\) 为 target ， \(x_{i}\) 为 input 。

如果 log_input 为True，使用 \(e^{x_{i}} - y_{i} x_{i}\) 而不是 \(x_{i} - y_{i}\ln x_{i}\) 进行计算。 计算对数时，input 的下界设置为 eps，以避免数值误差。 如果 full 为False，则最后一项：\(\ln{y_{i}!}\) 将被省略。否则，最后一项将使用斯特林公式近似：

\[n! \approx \sqrt{2\pi n}\left( \frac{n}{e} \right)^{n}\]

说明

在Ascend下计算负数的对数或大正数的指数将具有与GPU和CPU下不同的返回值和结果范围。

参数：

• log_input (bool，可选) - 是否使用对数输入。默认值： True 。

• full (bool，可选) - 是否在损失计算中包括斯特林近似项。默认值： False 。

• eps (float，可选) - 算对数时 input 的下界。默认值： 1e-08 。

• 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：

• input (Tensor) - 输入Tensor。shape可以是任意维。

• target (Tensor) - 标签Tensor，其shape与 input 相同。

输出：

Tensor或Scalar，如果 reduction 为none'，则输出是Tensor，其形状与 input 相同。否则，它是Scalar。

异常：

• TypeError - reduction 不是str类型。

• TypeError - input 或 target 都不是Tensor。

• TypeError - input 或 target 的数据类型不支持。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> x = ms.Tensor([[0.3, 0.7], [0.5, 0.5]])
>>> target = ms.Tensor([[1.0, 2.0], [3.0, 4.0]])
>>> loss = nn.PoissonNLLLoss()
>>> output = loss(x, target)
>>> print(output.asnumpy())
0.3652635