NLLLoss¶
该接口可创建一个 NLLLoss 可调用类，计算输入 x 和标签 label 间的 negative log likelihood loss 损失，可用于训练一个 n 类分类器。
如果提供 weight 参数的话，它是一个 1-D 的 tensor，里面的值对应类别的权重。当你的训练集样本 不均衡的话，使用这个参数是非常有用的。
该损失函数的数学计算公式如下：
当 reduction 设置为 none 时，损失函数的数学计算公式为：
\[\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = - w_{y_n} x_{n,y_n}, \quad w_{c} = \text{weight}[c] \cdot \mathbb{1}\{c \not= \text{ignore_index}\},\]
其中 N 表示 batch_size。如果 reduction 的值不是 none (默认为 mean)，那么此时损失函数 的数学计算公式为：
\[\begin{split}\ell(x, y) = \begin{cases} \sum_{n=1}^N \frac{1}{\sum_{n=1}^N w_{y_n}} l_n, & \text{if reduction} = \text{'mean';}\\ \sum_{n=1}^N l_n, & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]
参数¶
weight (Tensor，可选) - 手动指定每个类别的权重。其默认为 None。如果提供该参数的话，长度必须为 num_classes。数据类型为 float32 或 float64。
ignore_index (int64，可选) - 指定一个忽略的标签值，此标签值不参与计算。默认值为-100。数据类型为 int64。
reduction (str，可选) - 指定应用于输出结果的计算方式，可选值有：none, mean, sum。默认为 mean，计算 mini-batch loss 均值。设置为 sum 时，计算 mini-batch loss 的总和。设置为 none 时，则返回 loss Tensor。数据类型为 string。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。
形状¶
input (Tensor) - 输入 Tensor，其形状为 \([N, C]\)，其中 C 为类别数。但是对于多维度的情形下，它的形状为 \([N, C, d_1, d_2, ..., d_K]\)。数据类型为 float32 或 float64。
label (Tensor) - 输入 input 对应的标签值。其形状为 \([N,]\) 或者 \([N, d_1, d_2, ..., d_K]\)，数据类型为 int64。
output (Tensor) - 输入 input 和 label 间的 negative log likelihood loss 损失。如果 reduction 为 'none'，则输出 Loss 形状为 [N, *]。如果 reduction 为 'sum' 或者 'mean'，则输出 Loss 形状为 '[1]' 。
代码示例¶
import paddle
nll_loss = paddle.nn.loss.NLLLoss()
log_softmax = paddle.nn.LogSoftmax(axis=1)
input = paddle.to_tensor([[0.88103855, 0.9908683 , 0.6226845 ],
[0.53331435, 0.07999352, 0.8549948 ],
[0.25879037, 0.39530203, 0.698465 ],
[0.73427284, 0.63575995, 0.18827209],
[0.05689114, 0.0862954 , 0.6325046 ]], "float32")
log_out = log_softmax(input)
label = paddle.to_tensor([0, 2, 1, 1, 0], "int64")
result = nll_loss(log_out, label)
print(result) # Tensor(shape=[1], dtype=float32, place=CPUPlace, stop_gradient=True, [1.07202101])