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。

提交

文档反馈

mindspore.ops.NLLLoss

class mindspore.ops.NLLLoss(reduction='mean', ignore_index=- 100)

获取预测值和目标值之间的负对数似然损失。

$reduction=none$ 时，负对数似然损失如下：

$$\ell (x,t)=L={\{l_1,\dots ,l_N\}}^{\mathrm{\top }},l_n=-w_{t_n}{x}_{n,t_n},w_c=\text{ weight }[c]\cdot 1$$

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。

$reduction\ne none$ 时（默认为 "mean" ），则

$$\begin{array}{r}\ell (x,t)=[\{\begin{array}{ll}\sum _{n=1}^N\frac{1}{\sum _{n=1}^N{w}_{tn}}{l}_n,& \text{ if reduction }=\text{ 'mean'; }\\ \sum _{n=1}^N{l}_n,& \text{ if reduction }=\text{ 'sum' }\end{array}]\end{array}$$

警告

这是一个实验性API，后续可能修改或删除。

参数：

• 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。

• ignore_index (int，可选) - 指定标签中需要忽略的值(一般为填充值)，使其不对梯度产生影响。默认值： -100 。

输入：

• logits (Tensor) - 输入预测值，shape为 $(N,C)$ 。数据类型仅支持float32或float16或bfloat16(仅Atlas A2训练系列产品支持)。

• labels (Tensor) - 输入目标值，shape为 $(N,)$ ，取值范围为 $[0,C-1]$ 。数据类型仅支持uint8或int32或int64。

• weight (Tensor) - 指定各类别的权重。shape为 $(C,)$。数据类型仅支持float32或float16或bfloat16(仅Atlas A2训练系列产品支持)。要求与 logits 的数据类型保持一致。

返回：

由 loss 和 total_weight 组成的2个Tensor的tuple。

• loss (Tensor) - 当 reduction 为'none'且 logits 为二维Tensor时， loss 的shape为 $(N,)$ 。否则， loss 为scalar。数据类型与 logits 相同。

• total_weight (Tensor) - total_weight 是scalar，数据类型与 weight 相同。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> logits = Tensor(np.array([[0.5488135, 0.71518934],
...                           [0.60276335, 0.5448832],
...                           [0.4236548, 0.6458941]]).astype(np.float32))
>>> labels = Tensor(np.array([0, 0, 0]).astype(np.int32))
>>> weight = Tensor(np.array([0.3834415, 0.79172504]).astype(np.float32))
>>> nll_loss = ops.NLLLoss(reduction="mean")
>>> loss, weight = nll_loss(logits, labels, weight)
>>> print(loss)
-0.52507716
>>> print(weight)
1.1503246