mindsponge.metrics.BalancedMSE
- class mindsponge.metrics.BalancedMSE(first_break, last_break, num_bins, beta=0.99, reducer_flag=False)[源代码]
计算预测值和真实值之间的均衡平方误差,适用于回归任务中标签不平衡的场景。详细实现过程参考: Ren, Jiawei, et al. 'Balanced MSE for Imbalanced Visual Regression' 。
\[L =-\log \mathcal{N}(\boldsymbol{y} ; \boldsymbol{y}_{\text {pred }}, \sigma_{\text {noise }}^{2} \mathrm{I})+\log \sum_{i=1}^{N} p_{\text {train }}(\boldsymbol{y}_{(i)}) \cdot \mathcal{N}(\boldsymbol{y}_{(i)} ; \boldsymbol{y}_{\text {pred }}, \sigma_{\text {noise }}^{2} \mathrm{I})\]- 参数:
first_break (float) - bin划分的起始位置。
last_break (float) - bin划分的结束位置。
num_bins (int) - 划分bin的数目。
beta (float) - 滑动平均的系数。默认值:
0.99
。reducer_flag (bool) - 是否对多卡的标签值做聚合。默认值:
False
。
- 输入:
prediction (Tensor) - 模型预测值,shape为 \((batch\_size, ndim)\) 。
target (Tensor) - 标签值,shape为 \((batch\_size, ndim)\) 。
- 输出:
Tensor。shape为 \((batch\_size, ndim)\) 。
- 支持平台:
Ascend
GPU
样例:
>>> import numpy as np >>> from mindsponge.metrics import BalancedMSE >>> from mindspore import Tensor >>> net = BalancedMSE(0, 1, 20) >>> prediction = Tensor(np.random.randn(32, 10).astype(np.float32)) >>> target = Tensor(np.random.randn(32, 10).astype(np.float32)) >>> out = net(prediction, target) >>> print(out.shape) (32, 10)