SmoothL1Loss¶

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

该OP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，它可以防止爆炸梯度, 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 (string, 可选): - 指定应用于输出结果的计算方式，数据类型为string，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。

delta (string, 可选): SmoothL1Loss损失的阈值参数，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= 1.0。

name (string, 可选): - 操作的名称(可选，默认值为None）。更多信息请参见 Name。

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 >= 1。

label (Tensor): 输入input对应的标签值，数据类型为float32。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
import numpy as np

input_data = np.random.rand(3,3).astype("float32")
label_data = np.random.rand(3,3).astype("float32")
input = paddle.to_tensor(input_data)
label = paddle.to_tensor(label_data)
loss = paddle.nn.SmoothL1Loss()
output = loss(input, label)
print(output)

PaddlePaddle

paddle.nn / SmoothL1Loss

SmoothL1Loss¶

参数¶

输入¶

返回¶

代码示例¶

PaddlePaddle

paddle

paddle.amp

paddle.callbacks

paddle.compat

paddle.distributed

paddle.distribution

paddle.fluid

paddle.io

paddle.jit

paddle.metric

paddle.nn

paddle.onnx

paddle.optimizer

paddle.regularizer

paddle.static

paddle.sysconfig

paddle.text

paddle.utils

paddle.vision

paddle.nn / SmoothL1Loss

SmoothL1Loss¶

参数¶

输入¶

返回¶

代码示例¶