[ 参数不一致 ]torch.nn.functional.smooth_l1_loss¶

torch.nn.functional.smooth_l1_loss¶

torch.nn.functional.smooth_l1_loss(input,
                    target,
                    size_average=None,
                    reduce=None,
                    reduction='mean',
                    beta=1.0)

paddle.nn.functional.smooth_l1_loss¶

paddle.nn.functional.smooth_l1_loss(input,
                    label,
                    reduction='mean',
                    delta=1.0,
                    name=None)

两者功能一致，但 Paddle 的 delta 和 PyTorch 的 beta 参数在公式中用法不一致，具体如下：

参数映射¶

| PyTorch | PaddlePaddle | 备注 | | ————- | ———— | —————————————————— | | input | input | 输入 Tensor | | target | label | 输入 Tensor 对应的标签，仅参数名不一致。 | | size_average | - | 已弃用 | | reduce | - | 已弃用 | | reduction | reduction | 表示应用于输出结果的规约方式，可选值有：’none’, ‘mean’, ‘sum’ | | beta | delta | SmoothL1Loss 损失的阈值参数 |

Torch 中 Smooth L1 loss 的计算方式:

$$ \ell(x, y) = \left [l_1, …, l_N\ \right ]^T $$

其中:

$$ l_n = \begin{cases} 0.5 (x_n - y_n)^2 / beta, & \text{if } |x_n - y_n| < beta \ |x_n - y_n| - 0.5 * beta, & \text{otherwise } \end{cases} $$

而 Paddle 中 Smooth L1 loss 的计算方式:

$$ loss(x,y) = \left [ z_1, …, z_N \right ]^T $$

其中：

$$ z_i = \begin{cases} 0.5(x_i - y_i)^2 & {if |x_i - y_i| < delta} \ delta * |x_i - y_i| - 0.5 * delta^2 & {otherwise} \end{cases} $$

所以如果 PyTorch 函数参数 $beta$ 与 Paddle 中的参数 $delta$ 取值相同，则 Paddle 的 loss 要再除以 $delta$ 值才能与 Torch 中的结果对齐。

转写示例¶

# Pytorch 的 size_average、 reduce 参数转为 Paddle 的 reduction 参数
if size_average is None:
    size_average = True
if reduce is None:
    reduce = True
if size_average and reduce:
    reduction = 'mean'
elif reduce:
    reduction = 'sum'
else:
    reduction = 'none'

# PyTorch 的 beta 参数转化为 delta 参数
a=0.8

# PyTorch 写法
output = torch.nn.functional.smooth_l1_loss(input, label, beta=a)

# Paddle 写法
output = paddle.nn.functional.smooth_l1_loss(input, label, delta=a) / a