MultiMarginLoss

class torch.nn.MultiMarginLoss(p=1, margin=1.0, weight=None, size_average=None, reduce=None, reduction='mean')

建立一個準則，用於最佳化輸入 $x$（一個二維的 mini-batch Tensor）和輸出 $y$（目標類別索引的一維張量，$0 \leq y \leq \text{x.size}(1)-1$）之間的多類分類合頁損失（基於邊距的損失）。

對於每個 mini-batch 樣本，1D 輸入 $x$ 和標量輸出 $y$ 的損失為

$$\text{loss}(x, y) = \frac{\sum_i \max(0, \text{margin} - x[y] + x[i])^p}{\text{x.size}(0)}$$

其中 $i \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}$ 且 $i \neq y$。

可選地，您可以為不同的類別設定不同的權重，方法是在建構函式中傳遞一個一維 weight 張量。

此時損失函式變為

$$\text{loss}(x, y) = \frac{\sum_i w[y] * \max(0, \text{margin} - x[y] + x[i])^p}{\text{x.size}(0)}$$

引數

• p (int, optional) – 預設為 $1$。僅支援 $1$ 和 $2$。

• margin (float, optional) – 預設為 $1$。

• 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) – 指定應用於輸出的規約：'none' | 'mean' | 'sum'。'none'：不進行規約；'mean'：輸出的總和除以輸出中的元素數量；'sum'：輸出將求和。注意：size_average 和 reduce 正在被棄用，在此期間，指定其中任何一個引數都將覆蓋 reduction。預設為：'mean'。

形狀

• 輸入：$(N, C)$ 或 $(C)$，其中 $N$ 是 batch size，$C$ 是類別數量。

• 目標：$(N)$ 或 $()$，其中每個值都滿足 $0 \leq \text{targets}[i] \leq C-1$。

• 輸出：標量。如果 reduction 是 'none'，則形狀與目標相同。

示例

>>> loss = nn.MultiMarginLoss()
>>> x = torch.tensor([[0.1, 0.2, 0.4, 0.8]])
>>> y = torch.tensor([3])
>>> # 0.25 * ((1-(0.8-0.1)) + (1-(0.8-0.2)) + (1-(0.8-0.4)))
>>> loss(x, y)
tensor(0.32...)

forward(input, target)

執行前向傳播。

返回型別

張量