参数¶

• input (Tensor) - 输入Tensor。数据类型为float32或float64，形状为 [N, D] ，其中 N 为minibatch的大小，D 为特征大小。

• label (Tensor) - 训练数据的标签。数据类型为int64，形状为 [N, 1] 。

• num_classes (int) - 类别总数(字典大小)必须大于等于2。若使用默认树结构，即当 path_table 和 path_code 都为None时 ，必须设置该参数。若使用自定义树结构，即当 path_table 和 path_code 都不为None时，它取值应为自定义树结构的非叶节点的个数，用于指定二分类的类别总数。

• weight (Tensor) - 该OP的权重参数。形状为 [numclasses-1, D] ，数据类型和 input 相同。

• bias (Tensor, 可选) - 该OP的偏置参数。形状为 [numclasses-1, 1] ，数据类型和 input 相同。如果设置为None，将没有偏置参数。默认值为None。

• path_table (Tensor，可选) – 存储每一批样本从类别（单词）到根节点的路径，按照从叶至根方向存储。 数据类型为int64，形状为 [N, L] ，其中L为路径长度。path_table 和 path_code 应具有相同的形状, 对于每个样本i，path_table[i]为一个类似np.ndarray的结构，该数组内的每个元素都是其双亲结点权重矩阵的索引。默认值为None。

• path_code (Tensor，可选) – 存储每一批样本从类别（单词）到根节点的路径编码，按从叶至根方向存储。数据类型为int64，形状为 [N, L]。默认值为None。

• is_sparse (bool，可选) – 是否使用稀疏更新方式。如果设置为True，W的梯度和输入梯度将会变得稀疏。默认值为False。

• 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，层次sigmoid计算后的结果，形状为[N, 1]，数据类型和 input 一致。

代码示例¶

import paddle
import paddle.nn.functional as F

paddle.set_device('cpu')

input = paddle.uniform([2, 3])
# [[-0.8018668   0.8736385  -0.9064771 ] # random
#  [-0.10228515 -0.87188244 -0.8783718 ]] # random
label = paddle.to_tensor([0, 1, 4, 5])
num_classes = 5
weight=paddle.uniform([num_classes-1, 3])
# [[-0.24148715  0.8449961  -0.7399121 ] # random
#  [-0.9800559   0.43509364  0.9091208 ] # random
#  [ 0.60194826  0.10430074 -0.4521166 ] # random
#  [-0.4469818  -0.01536179 -0.604454  ]] # random

out=F.hsigmoid_loss(input, label, num_classes, weight)
# [[3.0159328]
#  [2.2407534]]