mindspore.ops.SparseSoftmaxCrossEntropyWithLogits

class mindspore.ops.SparseSoftmaxCrossEntropyWithLogits(is_grad=False)

计算预测值和标签之间的稀疏softmax交叉熵。

将预测值设置为 X ，输入标签设置为 Y ，输出设置为 loss 。然后，

$$\begin{array}{r}\begin{array}{l}\\ p_{ij}=softmax(X_{ij})=\frac{\exp (x_i)}{\sum _{j=0}^{N-1}\exp (x_j)}\\ los{s}_{ij}=\{\begin{array}{ll}-ln(p_{ij}),& j=y_i\\ 0,& j\ne y_i\end{array}\\ loss=\sum _{ij}los{s}_{ij}\end{array}\end{array}$$

参数：

• is_grad (bool) - 如果为 True ，则返回计算的梯度。默认值： False 。

输入：

• logits (Tensor) - 输入的预测值，其shape为 $(N,C)$ 。数据类型必须为float16或float32。

• labels (Tensor) - 输入的标签，其shape为 $(N)$ 。数据类型必须为int32或int64。

输出：

Tensor，如果 is_grad 为 False ，则输出Tensor是损失值，是一个Tensor；如果 is_grad 为 True ，则输出记录的是输入的梯度，其shape与 logits 相同。

异常：

• TypeError - 如果 is_grad 不是bool。

• TypeError - 如果 logits 的数据类型既不是float16也不是float32。

• TypeError - 如果 labels 的数据类型既不是int32也不是int64。

• ValueError - 如果 $logits.shape[0]!=labels.shape[0]$ 。

支持平台：

GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, ops
>>> logits = Tensor([[2, 3, 1, 4, 5], [2, 1, 2, 4, 3]], mindspore.float32)
>>> labels = Tensor([0, 1], mindspore.int32)
>>> sparse_softmax_cross = ops.SparseSoftmaxCrossEntropyWithLogits()
>>> loss = sparse_softmax_cross(logits, labels)
>>> print(loss)
3.4878292
>>> sparse_softmax_cross_grad = ops.SparseSoftmaxCrossEntropyWithLogits(is_grad=True)
>>> loss_grad = sparse_softmax_cross_grad(logits, labels)
>>> print(loss_grad)
[[-0.48415753  0.04306427  0.00582811  0.11706084  0.3182043 ]
 [ 0.04007946 -0.4852556   0.04007946  0.2961494   0.10894729]]