当前位置: 首页>>代码示例 >>用法及示例精选 >>正文

Python mxnet.ndarray.op.MakeLoss用法及代码示例


用法:

mxnet.ndarray.op.MakeLoss(data=None, grad_scale=_Null, valid_thresh=_Null, normalization=_Null, out=None, name=None, **kwargs)

参数：

  • data：(NDArray) - 输入数组。
  • grad_scale：(float, optional, default=1) - 梯度尺度作为一元和二元运算符的补充
  • valid_thresh：(float, optional, default=0) - 当数组中的每个元素小于时，将其裁剪为 0valid_thresh.这用于normalization被设定为'valid'.
  • normalization：({'batch', 'null', 'valid'},optional, default='null') - 如果设置为 null，则输出梯度将不会被归一化。如果将其设置为批处理，则输出梯度将除以批处理大小。如果设置为有效，则输出梯度将除以有效输入元素的数量。
  • out：(NDArray, optional) - 输出 NDArray 来保存结果。

返回：

out：- 此函数的输出。

返回类型：

NDArray 或 NDArray 列表

在网络构建中制作自己的损失函数。

该运算符接受自定义损失函数符号作为终端损失，并且该符号应该是没有后向依赖的运算符。该函数的输出是相对于输入数据的损失梯度。

例如，如果您正在制作交叉熵损失函数。假设out是预测输出，label是真实标签，那么交叉熵可以定义为：

cross_entropy = label * log(out) + (1 - label) * log(1 - out)
loss = MakeLoss(cross_entropy)

当我们创建自己的损失函数或想要组合多个损失函数时，我们将需要使用MakeLoss。此外，我们可能希望阻止某些变量的梯度进行反向传播。在 BlockGrad 或 stop_gradient 中查看更多详细信息。

此外，我们可以通过设置 grad_scale 来给损失一个比例，这样损失的梯度会在反向传播中重新调整。

注意：

此运算符应用作符号而不是 NDArray。

相关用法


注：本文由纯净天空筛选整理自apache.org大神的英文原创作品 mxnet.ndarray.op.MakeLoss。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。