代码拉取完成,页面将自动刷新
class torch.nn.SmoothL1Loss(size_average=None, reduce=None, reduction='mean', beta=1.0)(input, target) -> Tensor
更多内容详见torch.nn.SmoothL1Loss。
class mindspore.nn.SmoothL1Loss(beta=1.0, reduction='none')(logits, labels) -> Tensor
更多内容详见mindspore.nn.SmoothL1Loss。
PyTorch:SmoothL1Loss损失函数,如果预测值和目标值的逐个元素绝对误差小于设定阈值beta则用平方项,否则用绝对误差项。
MindSpore:除两个在PyTorch已弃用的参数不同外,功能上无差异。
分类 | 子类 | PyTorch | MindSpore | 差异 |
---|---|---|---|---|
参数 | 参数1 | size_average | - | 已弃用,被reduction取代,MindSpore无此参数 |
参数2 | reduce | - | 已弃用,被reduction取代,MindSpore无此参数 | |
参数3 | reduction | reduction | 功能一致,默认值不同 | |
参数4 | beta | beta | - | |
输入 | 输入1 | input | logits | 功能一致,参数名不同 |
输入2 | target | labels | 功能一致,参数名不同 |
两API实现功能一致,用法相同。
# PyTorch
import torch
import torch.nn as nn
beta = 1
loss = nn.SmoothL1Loss(reduction="none", beta=beta)
logits = torch.FloatTensor([1, 2, 3])
labels = torch.FloatTensor([1, 2, 2])
output = loss(logits, labels)
print(output.numpy())
# [0. 0. 0.5]
# MindSpore
import mindspore
import numpy as np
from mindspore import Tensor
loss = mindspore.nn.SmoothL1Loss()
logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
output = loss(logits, labels)
print(output)
# [0. 0. 0.5]
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。