损失模块包括一组训练损失实例。 有些是从C ++实现转换而来的,其余的都是直接使用python Tensor实现的。
示例用法:
from singa import tensor from singa import loss x = tensor.Tensor((3, 5)) x.uniform(0, 1) # randomly genearte the prediction activation y = tensor.from_numpy(np.array([0, 1, 3], dtype=np.int)) # set the truth f = loss.SoftmaxCrossEntropy() l = f.forward(True, x, y) # l is tensor with 3 loss values g = f.backward() # g is a tensor containing all gradients of x w.r.t l
基类:object
损失类的基类
封装C++损失类的子类可以使用此基类继承的forward,backward和evaluate函数。 其他子类需要重写这些函数
返回值: 与损失相对应的梯度
参数:
返回值: 所有样本的平均损失
计算损失值
参数:
返回值: tensor,每个样本对应一个浮点型损失值
基类:singa.loss.Loss
此损失函数是SoftMax和交叉熵损失的结合。它通过SoftMax函数转换输入,然后根据真实值计算交叉熵损失。 对于每个样本,真实值可以是一个整数作为标签索引; 或二进制数组,指示标签分布。 因此,真实值可以是1维或2维tensor。 对于一批样品,数据/特征tensor可以是1维(对于单个样品)或2维(对于一组样本)。
基类:singa.loss.Loss
此损失用来衡量预测值和真实值之间的平方差。它通过Python Tensor操作实现。
计算与损失相对应变量的梯度。
返回值: x - y
计算平均误差。
返回值: 浮点型数
通过0.5 * ||x-y||^2计算损失。
参数:
返回值: tensor,每个样本对应一个损失值