smooth_l1_loss

paddle.nn.functional.smooth_l1_loss ( input, label, 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：

`z_i`的计算公式如下：

参数

• input (Tensor): 输入 Tensor， 数据类型为float32。其形状为 [N,C][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,d1,d2,…,dk][N,C,d1,d2,…,dk]，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。

• 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。

返回

Tensor, 返回计算 smooth_l1_loss 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)
output = paddle.nn.functional.smooth_l1_loss(input,label)
print(output)