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.PoissonNLLLoss

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

计算泊松负对数似然损失。

损失为：

L_{D} = \sum_{i = 0}^{| D |} (x_{i} - y_{i} \ln x_{i} + \ln y_{i}!)

其中 $L_{D}$ 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 π n} {(\frac{n}{e})}^{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