MarginRankingLoss

class torch.nn.MarginRankingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')

建立一個損失函式，用於衡量給定輸入 $x1$、$x2$（兩個一維 mini-batch 或零維 Tensors）和標籤一維 mini-batch 或零維 Tensor $y$（包含 1 或 -1）的損失。

如果 $y = 1$，則假定第一個輸入應該比第二個輸入具有更高的排名（更大的值），反之亦然，當 $y = -1$。

mini-batch 中每對樣本的損失函式為

$$\text{loss}(x1, x2, y) = \max(0, -y * (x1 - x2) + \text{margin})$$

引數

• margin (float, optional) – 預設值為 $0$。

• size_average (bool, optional) – 已棄用 (參見 reduction)。預設情況下，損失值在批次中的每個損失元素上取平均值。請注意，對於某些損失，每個樣本有多個元素。如果欄位 size_average 設定為 False，則損失值在每個小批次中而是求和。當 reduce 為 False 時忽略。預設值：True

• reduce (bool, optional) – 已棄用 (參見 reduction)。預設情況下，損失值在每個小批次中根據 size_average 對觀測值進行平均或求和。當 reduce 為 False 時，返回每個批次元素的損失值，並忽略 size_average。預設值：True

• reduction (str, optional) – 指定要應用於輸出的歸約方式：'none' | 'mean' | 'sum'。'none'：不應用歸約；'mean'：輸出的總和除以輸出中的元素數量；'sum'：對輸出求和。注意：size_average 和 reduce 正在被棄用，在此期間，指定這兩個引數中的任何一個都將覆蓋 reduction。預設為：'mean'

形狀

• Input1: $(N)$ 或 $()$，其中 N 是 batch size。

• Input2: $(N)$ 或 $()$，形狀與 Input1 相同。

• Target: $(N)$ 或 $()$，形狀與輸入相同。

• Output: scalar。如果 reduction 為 'none' 且輸入大小不是 $()$，則為 $(N)$。

示例

>>> loss = nn.MarginRankingLoss()
>>> input1 = torch.randn(3, requires_grad=True)
>>> input2 = torch.randn(3, requires_grad=True)
>>> target = torch.randn(3).sign()
>>> output = loss(input1, input2, target)
>>> output.backward()

forward(input1, input2, target)

執行前向傳播。

返回型別

張量