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 \(x\) 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：

\[\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with } l_n = \left| x_n - y_n \right|\]

其中， \(N\) 为batch size。

如果 reduction 是 'mean' 或者 'sum' ，则：

\[\begin{split}\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]
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。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 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 'none' 、 'mean' 或 '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