torch.nn.functional.nll_loss

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

计算负对数似然损失。

有关详情，请参阅 NLLLoss。

参数

• input (Tensor) – $(N, C)$，其中 C = 类别数，或者在 2D 损失的情况下为 $(N, C, H, W)$，或者在 K 维损失的情况下为 $(N, C, d_1, d_2, ..., d_K)$，其中 $K \geq 1$。

• target (Tensor) – $(N)$，其中每个值都满足 $0 \leq \text{targets}[i] \leq C-1$，或者在 K 维损失的情况下为 $(N, d_1, d_2, ..., d_K)$，其中 $K \geq 1$。

• weight (Tensor, optional) – 为每个类手动指定的重缩放权重。如果提供，则必须是大小为 C 的 Tensor。

• size_average (bool, optional) – 已弃用（请参阅 reduction）。

• ignore_index (int, optional) – 指定一个目标值，该值将被忽略且不计入输入梯度。当 size_average 为 True 时，损失将根据非忽略的目标进行平均。默认值：-100。

• reduce (bool, optional) – 已弃用 (参见 reduction)。

• reduction (str, optional) – 指定应用于输出的规约：'none' | 'mean' | 'sum'。'none'：不应用规约，'mean'：输出的总和将除以输出中的元素数量，'sum'：输出将被求和。注意：size_average 和 reduce 正在被弃用，在此期间，指定这两个参数中的任何一个都将覆盖 reduction。默认值：'mean'

返回类型

张量

示例

>>> # 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()