torch.nn.functional.nll_loss

torch.nn.functional.nll_loss(input, target, weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean') [исходный код]

Вычисляет функцию потерь отрицательного логарифмического правдоподобия.

Подробные сведения см. в NLLLoss.

Параметры:

• input (Tensor) – $(N, C)$, где C = number of classes, или $(N, C, H, W)$ для двумерной функции потерь, или $(N, C, d_1, d_2, ..., d_K)$, где $K \geq 1$, для K-мерной функции потерь. Ожидается, что input содержит логарифмы вероятностей.
• target (Tensor) – $(N)$, где каждое значение равно $0 \leq \text{targets}[i] \leq C-1$, или $(N, d_1, d_2, ..., d_K)$, где $K \geq 1$, для K-мерной функции потерь.
• weight (Tensor, необязательный) – Вес для ручного масштабирования, задаваемый каждому классу. Если указан, должен быть тензором размера C
• size_average (bool, необязательный) – Устарел (см. reduction).
• ignore_index (int, необязательный) – Задает целевое значение, которое игнорируется и не влияет на градиент входных данных. Если size_average равно True, функция потерь усредняется по целевым значениям, которые не игнорируются. Значение по умолчанию: -100
• reduce (bool, необязательный) – Устарел (см. reduction).
• reduction (str, необязательный) – Задает способ сведения выходных данных: 'none' | 'mean' | 'sum'. 'none': сведение не выполняется, 'mean': сумма выходных данных делится на количество элементов в них, 'sum': выходные данные суммируются. Примечание: size_average и reduce постепенно выводятся из употребления; пока что указание любого из этих аргументов переопределит reduction. Значение по умолчанию: 'mean'

Тип возвращаемого значения:

Tensor

Пример:

>>> # input is of size N x C = 3 x 5
>>> input = torch.randn(3, 5, requires_grad=True)
>>> # each element in target has to have 0 <= value < C
>>> target = torch.tensor([1, 0, 4])
>>> output = F.nll_loss(F.log_softmax(input, dim=1), target)
>>> output.backward()