KLDivLoss

class paddle.nn. KLDivLoss ( reduction=’mean’ ) [源代码]

该算子计算输入(Input)和输入(Label)之间的Kullback-Leibler散度损失。注意其中输入(Input)应为对数概率值，输入(Label)应为概率值。

kL发散损失计算如下：

当 reduction 为 none 时，输出损失与输入（input）形状相同，各点的损失单独计算，不会对结果做reduction 。

当 reduction 为 mean 时，输出损失为[1]的形状，输出为所有损失的平均值。

当 reduction 为 sum 时，输出损失为[1]的形状，输出为所有损失的总和。

当 reduction 为 batchmean 时，输出损失为[N]的形状，N为批大小，输出为所有损失的总和除以批量大小。

参数:

• reduction (str，可选) - 要应用于输出的reduction类型，可用类型为‘none’ | ‘batchmean’ | ‘mean’ | ‘sum’，‘none’表示无reduction，‘batchmean’ 表示输出的总和除以批大小，‘mean’ 表示所有输出的平均值，‘sum’表示输出的总和。

形状:

• 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。

• label (Tensor): - 标签，维度是[N, *], 与 input 相同。数据类型为：float32、float64。

• output (Tensor): - 输入 input 和标签 label 间的kl散度。如果 reduction 是 'none', 则输出Loss的维度为 [N, *], 与输入 input 相同。如果 reduction 是 'batchmean' 、 'mean' 或 'sum', 则输出Loss的维度为 [1]。

代码示例：

import paddle
import numpy as np
import paddle.nn as nn
shape = (5, 20)
x = np.random.uniform(-10, 10, shape).astype('float32')
target = np.random.uniform(-10, 10, shape).astype('float32')
# 'batchmean' reduction, loss shape will be [N]
kldiv_criterion = nn.KLDivLoss(reduction='batchmean')
pred_loss = kldiv_criterion(paddle.to_tensor(x),
                            paddle.to_tensor(target))
# shape=[5]
# 'mean' reduction, loss shape will be [1]
kldiv_criterion = nn.KLDivLoss(reduction='mean')
pred_loss = kldiv_criterion(paddle.to_tensor(x),
                            paddle.to_tensor(target))
# shape=[1]
# 'sum' reduction, loss shape will be [1]
kldiv_criterion = nn.KLDivLoss(reduction='sum')
pred_loss = kldiv_criterion(paddle.to_tensor(x),
                            paddle.to_tensor(target))
# shape=[1]
# 'none' reduction, loss shape is same with X shape
kldiv_criterion = nn.KLDivLoss(reduction='none')
pred_loss = kldiv_criterion(paddle.to_tensor(x),
                            paddle.to_tensor(target))
# shape=[5, 20]