MultiLabelMarginLoss

class torch.nn.MultiLabelMarginLoss(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 mini-batch Tensor）和輸出 $y$（一個二維目標類別索引 Tensor）之間的多類別多分類 hinge loss（基於 margin 的損失）。對於 mini-batch 中的每個樣本，損失計算如下：

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

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

$y$ 和 $x$ 必須具有相同的尺寸。

該準則僅考慮從開頭開始的、連續的非負目標塊。

這允許不同樣本具有可變數量的目標類別。

引數

• size_average (bool, 可選) – 已廢棄（請參閱 reduction）。預設情況下，損失按 batch 中的每個損失元素進行平均。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，則損失將改為對每個 mini-batch 求和。當 reduce 為 False 時忽略。預設值：True

• reduce (bool, 可選) – 已廢棄（請參閱 reduction）。預設情況下，損失根據 size_average 對每個 mini-batch 的觀測值進行平均或求和。當 reduce 為 False 時，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 操作：'none' | 'mean' | 'sum'。'none'：不應用 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 正在廢棄過程中，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：$(C)$ 或 $(N, C)$，其中 N 是 batch size，C 是類別數量。

• 目標：$(C)$ 或 $(N, C)$，目標標籤用 -1 填充，以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...)