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 mini-batch Tensor）和輸出 $y$（一個目標類別索引的一維 Tensor，$0 \leq y \leq \text{x.size}(1)-1$）之間的多類別分類鉸鏈損失（基於邊界的損失）

對於每個 mini-batch 樣本，一維輸入 $x$ 和標量輸出 $y$ 的損失計算如下：

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

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

或者，您可以透過向建構函式傳遞一個一維的 weight Tensor 來為各個類別設定不等權重。

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, 可選) – 預設值為 $1$。$1$ 和 $2$ 是唯一支援的值。

• margin (float, 可選) – 預設值為 $1$。

• weight (Tensor, 可選) – 為每個類別手動指定的縮放權重。如果給定，它必須是一個大小為 C 的 Tensor。否則，它將被視為所有元素都為 1。

• size_average (bool, 可選) – 已棄用（請參閱 reduction）。預設情況下，損失會在 batch 中的每個損失元素上求平均。請注意，對於某些損失，每個樣本可能有多個元素。如果欄位 size_average 設定為 False，則損失將對每個 minibatch 求和。當 reduce 為 False 時忽略此引數。預設值：True

• reduce (bool, 可選) – 已棄用（請參閱 reduction）。預設情況下，損失會根據 size_average 對每個 minibatch 的觀測值求平均或求和。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 方法：'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'：輸出將被求和。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。預設值：'mean'

形狀

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

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

• 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...)