GaussianNLLLoss¶

class paddle.nn. GaussianNLLLoss ( full=False, epsilon=1e-6, reduction='mean', name=None ) [源代码] ¶

该接口创建一个 GaussianNLLLoss 实例，计算输入 input 和标签 label、 variance 间的 GaussianNLL 损失， label 被视为服从高斯分布的样本，期望 input 和方差 variance 由神经网络预测给出。对于一个具有高斯分布的 Tensor label，期望 input 和正方差 var 与其损失的数学计算公式如下：

\[\text{loss} = \frac{1}{2}\left(\log\left(\text{max}\left(\text{var}, \ \text{epsilon}\right)\right) + \frac{\left(\text{input} - \text{label}\right)^2} {\text{max}\left(\text{var}, \ \text{epsilon}\right)}\right) + \text{const.}\]

其中， epsilon 是一个很小的数字，用于保证数值的稳定性。默认情况下，常数项将会被忽略，除非 epsilon 为 True。若 variance 与 input 的形状不一致，则必须要服从广播机制。

参数¶

full (bool，可选) - 是否在损失计算中包括常数项。默认情况下为 False，表示忽略最后的常数项。

epsilon (float，可选) - 一个很小的数字，用于限制 variance 的值，使其不会导致除 0 的出现。默认值为 1e-6。

reduction (str，可选) - 指定应用于输出结果的计算方式，可选值有 none、mean 和 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。

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 \((N, *)\) 或者 \((*)\)，其中 \(*\) 表示任何数量的额外维度。数据类型为 float32 或 float64。

label (Tensor)：输入 Tensor，其形状为 \((N, *)\) 或者 \((*)\)，形状与 input 相同，或者维度与 input 相同但最后一维的大小为 1，如 input 的形状为： \((N, 3)\) 时， input 的形状可为 \((N, 1)\)，这时会进行 broadcast 操作。数据类型为 float32 或 float64。

variance (Tensor): 输入 Tensor，其形状为 \((N, *)\) 或者 \((*)\)，形状与 input 相同，或者维度与 input 相同但最后一维的大小为 1，或者维度与 input 相比缺少最后一维，如 input 的形状为： \((N, 3)\) 时， input 的形状可为 \((N, 1)\) 或 \((N)\)，这时会进行 broadcast 操作。正方差样本，可为不同标签对应不同的方差（异方差性），也可以为同一个方差（同方差性）。数据类型为 float32 或 float64。

返回¶

output (Tensor) - 输入 input、 variance 和 label 间的 GaussianNLLLoss 损失。如果 reduction 为 'none'，则输出 Loss 形状与输入相同为 (N, *)。如果 reduction 为 'sum' 或者 'mean'，则输出 Loss 形状为 '(1)' 。

代码示例¶

          import paddle
import paddle.nn as nn

input = paddle.randn([5, 2], dtype=paddle.float32)
label = paddle.randn([5, 2], dtype=paddle.float32)
variance = paddle.ones([5, 2], dtype=paddle.float32)

gs_nll_loss = nn.GaussianNLLLoss(full=False, epsilon=1e-6, reduction='none')
loss = gs_nll_loss(input, label, variance)
print(loss)

         