MultiLabelSoftMarginLoss

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

建立一個準則，基於最大熵最佳化多標籤一對多損失，損失計算在形狀為 $x$ 的輸入和形狀為 $(N, C)$ 的目標 $y$ 之間。對於迷你批處理中的每個樣本，計算公式如下：

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

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

引數

• weight (Tensor, optional) – 給定每個類別的手動重新縮放權重。如果給定，它必須是形狀為 C 的 Tensor。否則，將被視為全為一。

• size_average (bool, optional) – 已棄用（參見 reduction）。預設情況下，損失按批次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迷你批次進行求和。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，根據 size_average 對每個迷你批次的觀測值進行平均或求和。當 reduce 為 False 時，改為返回每個批次元素的損失，並忽略 size_average。預設值： True

• reduction (str, optional) – 指定要應用於輸出的歸約（reduction）方法： 'none' | 'mean' | 'sum'。 'none'：不應用歸約； 'mean'：輸出的總和將除以輸出中的元素數量； 'sum'：對輸出進行求和。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將覆蓋 reduction。預設值： 'mean'

形狀

• 輸入：$(N, C)$，其中 N 是批處理大小，C 是類別數量。

• 目標：$(N, C)$，標籤目標必須與輸入的形狀相同。

• 輸出：標量。如果 reduction 為 'none'，則形狀為 $(N)$。