smooth_l1_loss¶

paddle.nn.functional. smooth_l1_loss ( input, label, reduction='mean', delta=1.0, name=None ) [源代码] ¶

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，它可以防止梯度爆炸，也称为 Huber 损失，该损失函数的数学计算公式如下：

$loss(x,y) = \frac{1}{n}\sum_{i}z_i$

$z_i$ 的计算公式如下：

$\begin{split}\mathop{z_i} = \left\{\begin{array}{rcl} 0.5(x_i - y_i)^2 & & {if |x_i - y_i| < \delta} \\ \delta * |x_i - y_i| - 0.5 * \delta^2 & & {otherwise} \end{array} \right.\end{split}$

参数¶

input (Tensor) - 输入 Tensor，数据类型为 float32。其形状为 $[N, C]$ ，其中 $C$ 为类别数。对于多维度的情形下，它的形状为 $[N, C, d_1, d_2, ..., d_k]$ ， $k \geqslant 1$ 。

label (Tensor) - 输入 input 对应的标签值，数据类型和 input 相同。

reduction (str，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 (str，可选) - SmoothL1Loss 损失的阈值参数 $\delta$ ，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。默认值为 1.0。

name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回¶

Tensor，返回计算 smooth_l1_loss 后的损失值。

代码示例¶

>>> import paddle
>>> paddle.seed(2023)

>>> input = paddle.rand([3, 3]).astype('float32')
>>> label = paddle.rand([3, 3]).astype('float32')
>>> output = paddle.nn.functional.smooth_l1_loss(input, label)
>>> print(output)
Tensor(shape=[], dtype=float32, place=Place(cpu), stop_gradient=True,
        0.08307374)