mindformers.core.CrossEntropyLoss

class mindformers.core.CrossEntropyLoss(parallel_config=default_dpmp_config, **kwargs)

计算预测值和目标值之间的交叉熵损失。

CrossEntropyLoss支持两种不同的目标值(target):

• 类别索引 (int)，取值范围为 \([0, C)\) 其中 \(C\) 为类别数，当reduction为 'none' 时，交叉熵损失公式如下：

  \[\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = - w_{y_n} \log \frac{\exp(x_{n,y_n})}{\sum_{c=1}^C \exp(x_{n,c})} \cdot \mathbb{1}\{y_n \not= \text{ignore_index}\}\]

  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

  \[\begin{split}\ell(x, y) = \begin{cases} \sum_{n=1}^N \frac{1}{\sum_{n=1}^N w_{y_n} \cdot \mathbb{1}\{y_n \not= \text{ignore_index}\}} l_n, & \text{if reduction} = \text{'mean',}\\ \sum_{n=1}^N l_n, & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]

• 类别概率 (float)，用于目标值为多个类别标签的情况。当reduction为 'none' 时，交叉熵损失公式如下：

  \[\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = - \sum_{c=1}^C w_c \log \frac{\exp(x_{n,c})}{\sum_{i=1}^C \exp(x_{n,i})} y_{n,c}\]

  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

  \[\begin{split}\ell(x, y) = \begin{cases} \frac{\sum_{n=1}^N l_n}{N}, & \text{if reduction} = \text{'mean',}\\ \sum_{n=1}^N l_n, & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]

参数：

• parallel_config (mindformers.modules.transformer.op_parallel_config.OpParallelConfig) - 并行配置字典，用于控制并行训练的策略。默认值： default_dpmp_config 。

输入：

• logits (Tensor) - 输入预测值，shape为 \((N, C)\) 。输入值需为对数概率。数据类型仅支持float32或float16。

• label (Tensor) - 输入目标值。shape为 \((N,)\) 。

• input_mask (Tensor) - 损失掩码，shape为 \((N,)\) 。用于指定需要计算损失的位置。若值为0，则对应位置不计算损失。

返回：

Tensor，一个数据类型与logits相同的Tensor。

样例：

>>> import numpy as np
>>> from mindspore import dtype as mstype
>>> from mindspore import Tensor
>>> from mindformers.core import CrossEntropyLoss
>>> loss = CrossEntropyLoss()
>>> logits = Tensor(np.array([[3, 5, 6, 9, 12, 33, 42, 12, 32, 72]]), mstype.float32)
>>> labels_np = np.array([1]).astype(np.int32)
>>> input_mask = Tensor(np.ones(1).astype(np.float32))
>>> labels = Tensor(labels_np)
>>> output = loss(logits, labels, input_mask)
>>> output.shape
(1,)