SmoothL1Loss¶

class paddle.nn. SmoothL1Loss ( reduction='mean', delta=1.0, name=None ) [源代码] ¶

计算输入 input 和标签 label 间的 SmoothL1 损失，如果逐个元素的绝对误差低于 1，则创建使用平方项的条件，否则为 L1 损失。在某些情况下，它可以防止梯度爆炸，也称为 Huber 损失，该损失函数的数学计算公式如下：

\[loss(x, y) = \frac{1}{n}\sum_{i}z_i\]

\(z_i\) 的计算公式如下：

\[\begin{split}\mathop{z_i} = \left\{\begin{array}{rcl} 0.5(x_i - y_i)^2 & & {if |x_i - y_i| < \delta} \\ \delta * |x_i - y_i| - 0.5 * \delta^2 & & {otherwise} \end{array} \right.\end{split}\]

参数¶

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。

delta (str，可选) - SmoothL1Loss 损失的阈值参数 \(\delta\)，用于控制 Huber 损失对线性误差或平方误差的侧重。数据类型为 float32。默认值为 \(1.0\)。

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

输入¶

input (Tensor)：输入 Tensor，数据类型为 float32。其形状为 \([N, C]\)，其中 \(C\) 为类别数。对于多维度的情形下，它的形状为 \([N, C, d_1, d_2, ..., d_k]\)，\(k \geqslant 1\)。

label (Tensor)：输入 input 对应的标签值，数据类型和 input 相同。

返回¶

Tensor，计算 SmoothL1Loss 后的损失值。

代码示例¶

          >>> import paddle
>>> paddle.seed(2023)
>>> input = paddle.rand([3, 3]).astype("float32")
>>> label = paddle.rand([3, 3]).astype("float32")
>>> loss = paddle.nn.SmoothL1Loss()
>>> output = loss(input, label)
>>> print(output)
Tensor(shape=[], dtype=float32, place=Place(cpu), stop_gradient=True,
0.08307374)

         