MindSpore:损失函数nn.SoftmaxCrossEntropyWithLogits 解析

以下是一个更改后功能不变的 SoftmaxCrossEntropy 损失函数的代码： ``` import mindspore.nn as nn import mindspore.ops as ops from mindspore.common.initializer import Normal class SoftmaxCrossEntropy(nn.Cell): def __init__(self, axis=-1): super(SoftmaxCrossEntropy, self).__init__() self.axis = axis self.softmax = nn.Softmax(axis=self.axis) self.log_softmax = nn.LogSoftmax(axis=self.axis) self.mean = ops.ReduceMean() def construct(self, logits, labels): logits = self.log_softmax(logits) loss = self.mean(-labels * logits) return loss ``` 这个损失函数与原来的 SoftmaxCrossEntropyWithLogits 函数实现的功能相同，只是使用了不同的计算方式。它首先对 logits 进行 softmax 计算，然后计算 log(softmax) 的值，再通过 reduce_mean 计算所有样本的平均损失。其中，labels 是真实标签，而 logits 是模型对每个类别的得分预测。