多标签边际损失函数

类torch.nn.MuliLabelMarginLoss(size_average=None, reduce=None, reduction='mean')[源代码]

创建一个优化准则，用于计算输入$x$（二维小批量Tensor）和输出$y$（二维目标类索引的Tensor）之间的多分类 hinge 损失（基于 margin 的损失）。对于每个小批量样本：

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

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

$y$ 和 $x$ 的大小必须相同。

该准则仅考虑从开头开始的连续非负目标块。

这使得不同的样本可以包含不同数量的目标类。

参数

• size_average (bool, optional) – 已弃用（请参见reduction）。默认情况下，损失值会在批次中的每个损失元素上进行平均计算。需要注意的是，对于某些损失函数，每个样本包含多个损失元素。如果将字段 size_average 设置为 False，则损失值会针对每个小批量求和。当reduce 为 False时，此设置会被忽略。默认值： True

• reduce (bool, optional) – 已弃用（请参见reduction）。默认情况下，损失值会根据size_average参数在每个小批量中进行平均或求和。当reduce为False时，返回每批元素的单独损失值，并忽略size_average设置。默认值：True

• reduction (str, 可选) – 指定要应用于输出的缩减方式：'none' | 'mean' | 'sum'。
  'none': 不进行任何缩减，'mean': 输出总和除以元素数量，'sum': 对输出求和。注意：size_average 和 reduce 正在被弃用，在此期间，指定这两个参数中的任何一个将覆盖 reduction 参数。默认值： 'mean'

形状:

• 输入: $(C)$ 或 $(N, C)$，其中 N 表示批量大小，C 表示类的数量。

• 目标: $(C)$ 或 $(N, C)$，通过用-1填充来确保标签目标的形状与输入一致。

• 输出：标量。如果 reduction 是 'none'，则结果为 $(N)$。

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...)