Margin Ranking Loss

类torch.nn.MarginRankingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')[源代码]

创建一个准则，用于度量给定输入$x1$和$x2$（两个1D小批量或0D Tensors）以及包含 1 或 -1 的标签 1D 小批量或 0D Tensor $y$的损失。

当$y = 1$时，表示第一个输入的排名应该高于（数值更大）第二个输入；相反，当$y = -1$时，则表示第一个输入的排名应低于（数值更小）第二个输入。

minibatch中每个样本对的损失函数为：

$\text{loss}(x1, x2, y) = \max(0, -y * (x1 - x2) + \text{margin})$

参数

• margin (float, 可选) – 默认值为 0。

• 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1: $(N)$ 或 $()$，其中 N 表示批处理大小。

• 输入2: $(N)$ 或 $()$，形状与输入1相同。

• 目标: $(N)$ 或 $()$，形状与输入相同。

• 输出：标量。如果 reduction 是 'none' 且输入大小不为$()$，则输出为$(N)$。

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()