label_smooth¶

paddle.nn.functional. label_smooth ( label, prior_dist=None, epsilon=0.1, name=None ) [源代码] ¶

该OP实现了标签平滑的功能。标签平滑是一种对分类器层进行正则化的机制，称为标签平滑正则化(LSR)。由于直接优化正确标签的对数似然可能会导致过拟合，降低模型的适应能力，因此提出了标签平滑的方法来降低模型置信度。

标签平滑使用标签 \(y\) 和一些固定模式随机分布变量 \(\mu\) 。对 \(k\) 标签，标签平滑的计算方式如下。

其中 \(1-\epsilon\) 和 \(\epsilon\) 分别是权重， \(\tilde{y_k}\) 是平滑后的标签，通常 \(\mu\) 使用均匀分布。

关于更多标签平滑的细节， 查看论文 。

参数：

• label （Tensor） - 包含标签数据的输入变量。 标签数据应使用 one-hot 表示，是维度为 \([N_1, ..., Depth]\) 的多维Tensor，其中Depth为字典大小。

• prior_dist （Tensor，可选） - 用于平滑标签的先验分布，是维度为 \([1，class\_num]\) 的2D Tensor。 如果未设置，则使用均匀分布。默认值为None。

• epsilon （float，可选） - 用于混合原始真实分布和固定分布的权重。默认值为0.1。

• 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：为平滑后标签的 Tensor 。

代码示例

import paddle
import numpy as np

x_data = np.array([[[0, 1, 0],
                    [ 1,  0, 1]]]).astype("float32")
print(x_data.shape)
x = paddle.to_tensor(x_data, stop_gradient=False)
output = paddle.nn.functional.label_smooth(x)
print(output)

#[[[0.03333334 0.93333334 0.03333334]
#  [0.93333334 0.03333334 0.93333334]]]