MultiLabelSoftMarginLoss

class torch.nn.MultiLabelSoftMarginLoss(weight=None, size_average=None, reduce=None, reduction='mean')

建立一個基於最大熵的多標籤一對多損失的準則，該準則在輸入 $x$ 和大小為 $(N, C)$ 的目標 $y$ 之間進行最佳化。對於小批次中的每個樣本：

$$loss(x, y) = - \frac{1}{C} * \sum_i y[i] * \log((1 + \exp(-x[i]))^{-1}) + (1-y[i]) * \log\left(\frac{\exp(-x[i])}{(1 + \exp(-x[i]))}\right)$$

其中 $i \in \left\{0, \; \cdots , \; \text{x.nElement}() - 1\right\}$，$y[i] \in \left\{0, \; 1\right\}$.

引數

• weight (Tensor, optional) – 手動為每個類別指定的重縮放權重。如果指定，它必須是一個大小為 C 的張量。否則，假定其所有元素為 1。

• 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約簡：'none' | 'mean' | 'sum'。'none'：不進行約簡，'mean'：輸出的總和將除以輸出中的元素數量，'sum'：將對輸出進行求和。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。預設值：'mean'

形狀

• 輸入： $(N, C)$，其中 N 是批大小，C 是類別數量。

• 目標： $(N, C)$，標籤目標必須與輸入具有相同的形狀。

• 輸出：標量。如果 reduction 是 'none'，則為 $(N)$。

forward(input, target)

執行前向傳播。

返回型別

張量