forked from huawei/mindspore2022
60 lines
2.3 KiB
ReStructuredText
60 lines
2.3 KiB
ReStructuredText
mindspore.nn.L1Loss
|
||
=============================
|
||
|
||
.. py:class:: mindspore.nn.L1Loss(reduction='mean')
|
||
|
||
L1Loss用于测量 :math:`x` 和 :math:`y` 元素之间的平均绝对误差（MAE），其中 :math:`x` 是输入Tensor和 :math:`y` 是标签Tensor。
|
||
|
||
假设 :math:`x` 和 :math:`y` 为一维Tensor，长度 :math:`N` ，则计算 :math:`x` 和 :math:`y` 的unreduced loss（即reduction参数设置为"none"）的公式如下：
|
||
|
||
.. math::
|
||
\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with } l_n = \left| x_n - y_n \right|,
|
||
|
||
其中， :math:`N` 为batch size。如果 `reduction` 不是"none"，则：
|
||
|
||
.. math::
|
||
\ell(x, y) =
|
||
\begin{cases}
|
||
\operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\
|
||
\operatorname{sum}(L), & \text{if reduction} = \text{'sum'.}
|
||
\end{cases}
|
||
|
||
**参数：**
|
||
|
||
**reduction** (str) - 应用于loss的reduction类型。取值为"mean"，"sum"，或"none"。默认值："mean"。
|
||
|
||
**输入：**
|
||
|
||
- **logits** (Tensor) - shape为 :math:`(N, *)` 的tensor，其中 :math:`*` 表示任意的附加维度。
|
||
- **labels** (Tensor) - shape为 :math:`(N, *)` 的tensor，在通常情况下与 `logits` 的shape相同。但是如果 `logits` 和 `labels` 的shape不同，需要保证他们之间可以互相广播。
|
||
|
||
**输出：**
|
||
|
||
Tensor，为loss float tensor，如果 `reduction` 为'mean'或'sum'，则shape为零；如果 `reduction` 为'none'，则输出的shape为广播的shape。
|
||
|
||
**异常：**
|
||
|
||
**ValueError** - `reduction` 不为"mean"，"sum"，或"none"。
|
||
|
||
**支持平台：**
|
||
|
||
``Ascend`` ``GPU`` ``CPU``
|
||
|
||
**样例：**
|
||
|
||
>>> #用例1：logits.shape = labels.shape = (3,)
|
||
>>> loss = nn.L1Loss()
|
||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
|
||
>>> output = loss(logits, labels)
|
||
>>> print(output)
|
||
0.33333334
|
||
>>> #用例2：logits.shape = (3,), labels.shape = (2, 3)
|
||
>>> loss = nn.L1Loss(reduction='none')
|
||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
|
||
>>> output = loss(logits, labels)
|
||
>>> print(output)
|
||
[[0. 1. 2.]
|
||
[0. 0. 1.]]
|
||
|