多标签软边际损失

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

创建一个基于最大熵的多标签一对一损失优化准则，该准则根据输入 $$x$$ 和目标 $$y$$ （大小为 $$(N, C)$$ ）进行操作。对于小批量中的每个样本：

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 $$i$$ 的取值范围是 $0, \; \cdots , \; \text{x.nElement}() - 1$ ， $$y[i]$$ 的取值为 $$0$$ 或 $$1$$ 。

参数

weight (Tensor, 可选) – 每个类别的手动重缩放权重。如果提供，它必须是一个大小为 C 的张量；否则，默认所有值都为1。
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: