torch.nn.functional.nll_loss

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

計算負對數概似損失 (negative log likelihood loss)。

詳情請參閱 NLLLoss。

參數

• input (Tensor) – $(N, C)$ 其中 C = 類別數量 或 $(N, C, H, W)$ (如果是 2D Loss 的情況) 或 $(N, C, d_1, d_2, ..., d_K)$ (如果是 K 維度 loss 的情況)。 input 預期為對數機率 (log-probabilities)。

• target (Tensor) – $(N)$ 其中每個值是 $0 \leq \text{targets}[i] \leq C-1$，或是 $(N, d_1, d_2, ..., d_K)$，其中 $K \geq 1$，適用於 K 維度的損失。

• weight (Tensor, 可選) – 手動調整每個類別的權重。如果提供，則必須是大小為 C 的 Tensor

• size_average (bool, 可選) – 已棄用 (請參閱 reduction)。預設情況下，損失會針對批次中的每個損失元素進行平均。請注意，對於某些損失，每個樣本有多個元素。如果欄位 size_average 設定為 False，則會將每個小批次的損失加總。當 reduce 為 False 時會忽略。預設值：True

• ignore_index (int, 可選) – 指定一個要忽略的目標值，且不影響輸入梯度。當 size_average 為 True 時，損失會對非忽略的目標進行平均。預設值：-100

• reduce (bool, 可選) – 已棄用 (請參閱 reduction)。預設情況下，會根據 size_average，對每個小批次的觀察值進行平均或加總。當 reduce 為 False 時，會改為傳回每個批次元素的損失，並忽略 size_average。預設值：True

• reduction (str, 可選) – 指定要套用至輸出的 reduction 方式：'none' | 'mean' | 'sum'。'none'：不會套用 reduction，'mean'：輸出的總和會除以輸出中的元素數量，'sum'：輸出會被加總。注意：size_average 和 reduce 正在逐步淘汰中，在此期間，指定這兩個參數中的任何一個都會覆寫 reduction。預設值：'mean'

傳回類型

Tensor

範例

>>> # 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()