l1_loss

paddle.nn.functional. l1_loss ( input, label, reduction='mean', name=None ) [源代码]

计算输入 input 和标签 label 间的 L1 loss 损失。

该损失函数的数学计算公式如下：

当 reduction 设置为 'none' 时：

\[Out = \lvert input - label\rvert\]

当 reduction 设置为 'mean' 时：

\[Out = MEAN(\lvert input - label\rvert)\]

当 reduction 设置为 'sum' 时：

\[Out = SUM(\lvert input - label\rvert)\]

参数

  • input (Tensor) - 输入的 Tensor，维度是[N, *]，其中 N 是 batch size， * 是任意数量的额外维度。数据类型为：float32、float64、int32、int64。

  • label (Tensor) - 标签，维度是[N, *]，与 input 相同。数据类型为：float32、float64、int32、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 L1Loss 的均值；设置为 'sum' 时，计算 L1Loss 的总和；设置为 'none' 时，则返回 L1Loss。

  • name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回

Tensor，输入 input 和标签 label 间的 L1 loss 损失。如果 reduction 是 'none'，则输出 Loss 的形状为 [N, *]，与输入 input 相同。如果 reduction 是 'mean' 或 'sum'，则输出 Loss 的形状为 []。

代码示例

import paddle

input = paddle.to_tensor([[1.5, 0.8], [0.2, 1.3]])
label = paddle.to_tensor([[1.7, 1], [0.4, 0.5]])

l1_loss = paddle.nn.functional.l1_loss(input, label)
print(l1_loss)
# Tensor(shape=[], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        0.34999999)

l1_loss = paddle.nn.functional.l1_loss(input, label, reduction='none')
print(l1_loss)
# Tensor(shape=[2, 2], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[0.20000005, 0.19999999],
#         [0.20000000, 0.79999995]])

l1_loss = paddle.nn.functional.l1_loss(input, label, reduction='sum')
print(l1_loss)
# Tensor(shape=[], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        1.39999998)

使用本API的教程文档