mindspore.mint.nn.NLLLoss

class mindspore.mint.nn.NLLLoss(weight=None, ignore_index=- 100, reduction='mean')[源代码]

获取预测值和目标值之间的负对数似然损失。

reduction为'none'时，负对数似然损失公式如下：

ℓ (x, t) = L = {l_{1}, \dots, l_{N}}^{⊤}, l_{n} = - w_{t_{n}} x_{n, t_{n}}, w_{c} = weight [c] \cdot 1 {c \neq ignore_index},

其中， $x$ 表示预测值， $t$ 表示目标值， $w$ 表示权重， $N$ 表示batch size， $c$ 限定范围为 $[0, C - 1]$ ，表示类索引，其中 $C$ 表示类的数量。

若reduction不为 'none' （默认为 'mean' ），则

\begin{array}{r} ℓ (x, t) = {\begin{cases} \sum_{n = 1}^{N} \frac{1}{\sum_{n = 1}^{N} w_{t n}} l_{n}, & if reduction ='mean', \\ \sum_{n = 1}^{N} l_{n}, & if reduction ='sum' \end{cases} \end{array}

警告

这是一个实验性API，后续可能修改或删除。

参数：

weight (Tensor, 可选) - 指定各类别的权重。若值不为 None ，则shape为 $(C,)$ 。数据类型仅支持float16或float32或bfloat16(仅Atlas A2训练系列产品支持)。要求与 input 的数据类型保持一致。默认值： None 。
ignore_index (int, 可选) - 指定target中需要忽略的值(一般为填充值)，使其不对梯度产生影响。仅在目标值为类别索引下生效，在类别概率下请设置为负数。默认值： -100 。
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'：计算输出元素的加权平均值。
- 'sum'：计算输出元素的总和。

输入：

input (Tensor) - 输入预测值，shape为 $(N)$ 或 $(N, C)$ ， $C$ 表示类的数量， $N$ 表示batch size，或 $(N, C, d_{1}, d_{2}, . . ., d_{K})$ (针对高维数据)。input 需为对数概率。数据类型仅支持float16或float32或bfloat16(仅Atlas A2训练系列产品支持)。
target (Tensor) - 输入目标值，shape为 $()$ 或 $(N)$ ，限定范围为 $[0, C - 1]$ ，或 $(N, d_{1}, d_{2}, . . ., d_{K})$ (针对高维数据)。数据类型支持int32、int64、uint8。

输出：

Tensor，数据类型与 input 相同。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> inputs = mindspore.Tensor(np.random.randn(3, 5), mindspore.float32)
>>> target = mindspore.Tensor(np.array([1, 0, 4]), mindspore.int32)
>>> op = mindspore.mint.nn.NLLLoss()
>>> output = op(inputs, target)