mindspore.mint.nn.functional.l1_loss

mindspore.mint.nn.functional.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 xy 为预测值和目标值,均为一维Tensor,长度 Nreduction 设置为 'none' ,则计算 xy 的loss不进行降维操作。

公式如下:

(x,y)=L={l1,,lN},with ln=|xnyn|

其中, N 为batch size。

如果 reduction'mean' 或者 'sum' ,则:

(x,y)={mean(L),if reduction='mean';sum(L),if reduction='sum'.
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 inputtarget 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。注意:当reduction为 'mean' 时,input和target的数据类型需要至少有一个是float。

    • 'sum':计算输出元素的总和。

返回:

Tensor或Scalar,如果 reduction'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 'none''mean''sum'

支持平台:

Ascend

样例:

>>> from mindspore import Tensor, mint
>>> 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 = mint.nn.functional.l1_loss(x, target, reduction="mean")
>>> print(output)
3.0