MultiLabelMarginLoss

class torch.nn.modules.loss.MultiLabelMarginLoss(size_average=None, reduce=None, reduction='mean')

建立一個準則，用於最佳化輸入 $x$（一個 2D 小批次 Tensor）和輸出 $y$（目標類索引的 2D Tensor）之間的多類多標籤合頁損失（基於邊距的損失）。對於小批次中的每個樣本

$$\text{loss}(x, y) = \sum_{ij}\frac{\max(0, 1 - (x[y[j]] - x[i]))}{\text{x.size}(0)}$$

其中 $x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}$, $y \in \left\{0, \; \cdots , \; \text{y.size}(0) - 1\right\}$, $0 \leq y[j] \leq \text{x.size}(0)-1$, 且 $i \neq y[j]$ 對所有 $i$ 和 $j$ 成立。

$y$ 和 $x$ 的大小必須相同。

該準則僅考慮從開頭開始的連續的非負目標塊。

這使得不同的樣本可以具有可變數量的目標類別。

引數

• 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, 可選）– 指定要應用於輸出的縮減：'none' | 'mean' | 'sum'。'none'：不應用縮減，'mean'：輸出的總和將除以輸出中的元素數量，'sum'：將對輸出求和。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

• 輸入：$(C)$ 或 $(N, C)$，其中 N 是批次大小，C 是類別數量。

• 目標：$(C)$ 或 $(N, C)$，用 -1 填充的標籤目標，確保與輸入形狀相同。

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

示例

>>> loss = nn.MultiLabelMarginLoss()
>>> x = torch.FloatTensor([[0.1, 0.2, 0.4, 0.8]])
>>> # for target y, only consider labels 3 and 0, not after label -1
>>> y = torch.LongTensor([[3, 0, -1, 1]])
>>> # 0.25 * ((1-(0.1-0.2)) + (1-(0.1-0.4)) + (1-(0.8-0.2)) + (1-(0.8-0.4)))
>>> loss(x, y)
tensor(0.85...)

forward(input, target)

執行前向傳播。

返回型別

張量