NLLLoss

NLLLoss

class paddle.fluid.dygraph.NLLLoss(weight=None, reduction=’mean’, ignore_index=-100)[源代码]

该OP计算输入input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：

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：

参数

input (Variable): - 输入 Tensor, 其形状为

, 其中 C 为类别数。但是对于多维度的情形下，它的形状为

。数据类型为float32或float64。

label (Variable): - 输入input对应的标签值。其形状为

或者

, 数据类型为int64。

weight (Variable, 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。
reduction (string, 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。
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。

返回存储表示 negative log likihood loss 的损失值。

返回类型

Variable

代码示例

# declarative mode
import paddle.fluid as fluid
import numpy as np
import paddle
input_np = np.random.random(size=(10, 10)).astype(np.float32)
label_np = np.random.randint(0, 10, size=(10,)).astype(np.int64)
prog = fluid.Program()
startup_prog = fluid.Program()
place = fluid.CPUPlace()
with fluid.program_guard(prog, startup_prog):
    input = fluid.data(name='input', shape=[10, 10], dtype='float32')
    label = fluid.data(name='label', shape=[10], dtype='int64')
    nll_loss = fluid.dygraph.NLLLoss()
    res = nll_loss(input, label)
    exe = fluid.Executor(place)
    static_result = exe.run(
        prog,
        feed={"input": input_np,
              "label": label_np},
        fetch_list=[res])
print(static_result)
# imperative mode
import paddle.fluid.dygraph as dg
with dg.guard(place) as g:
    input = dg.to_variable(input_np)
    label = dg.to_variable(label_np)
    output = nll_loss(input, label)
    print(output.numpy())