MarginRankingLoss

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

建立一個準則，用於衡量給定輸入 $x1$、$x2$（兩個一維 mini-batch 或零維 Tensor）以及標籤一維 mini-batch 或零維 Tensor $y$（包含 1 或 -1）時的損失。

如果 $y = 1$，則假定第一個輸入的排名應高於（值更大）第二個輸入；而如果 $y = -1$，則情況相反。

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, 可選) – 預設值為 $0$。

• size_average (bool, 可選) – 已棄用（詳見 reduction）。預設情況下，損失會在 batch 中的每個損失元素上進行平均。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，則損失將改為對每個 minibatch 進行求和。當 reduce 為 False 時忽略此引數。預設值: True

• reduce (bool, 可選) – 已棄用（詳見 reduction）。預設情況下，根據 size_average 引數，損失會對每個 minibatch 中的觀測值進行平均或求和。當 reduce 為 False 時，將返回每個 batch 元素的損失，並忽略 size_average。預設值: True

• reduction (str, 可選) – 指定應用於輸出的 reduction 方式: 'none' | 'mean' | 'sum'。'none': 不應用任何 reduction，'mean': 輸出的總和將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，同時，指定這兩個引數中的任何一個都會覆蓋 reduction。預設值: 'mean'

形狀

• 輸入1: $(N)$ 或 $()$，其中 N 是 batch size。

• 輸入2: $(N)$ 或 $()$，形狀與 Input1 相同。

• 目標: $(N)$ 或 $()$，形狀與輸入相同。

• 輸出: 標量。如果 reduction 為 'none' 且輸入形狀不是 $()$，則形狀為 $(N)$。

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()