MarginRankingLoss

class torch.nn.MarginRankingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')

创建一个标准，根据输入 $x1$、$x2$（两个一维小批量或 0D 张量）和标签一维小批量或 0D 张量 $y$（包含 1 或 -1）测量损失。

如果 $y = 1$，则假设第一个输入应该比第二个输入排名更高（具有更大的值），反之亦然，对于 $y = -1$。

小批量中每对样本的损失函数为

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

参数

• margin (float, optional) – 默认值为 $0$。

• size_average (bool, optional) – 已弃用（请参阅 reduction）。默认情况下，损失在批次中的每个损失元素上进行平均。请注意，对于某些损失，每个样本有多个元素。如果字段 size_average 设置为 False，则损失将针对每个小批量进行累加。当 reduce 为 False 时忽略。默认值：True

• reduce (布尔值, 可选) – 已弃用（请参阅 reduction）。默认情况下，根据 size_average，损失在每个小批次中对观测结果进行平均或求和。当 reduce 为 False 时，返回每个批次元素的损失，并忽略 size_average。默认值：True

• reduction (字符串, 可选) – 指定要应用于输出的缩减：'none' | 'mean' | 'sum'。 'none'：不应用任何缩减，'mean'：输出的总和将除以输出中的元素数量，'sum'：输出将被求和。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。默认值：'mean'

形状

• 输入 1：$(N)$ 或 $()$，其中 N 是批次大小。

• 输入 2：$(N)$ 或 $()$，与输入 1 形状相同。

• 目标：$(N)$ 或 $()$，与输入形状相同。

• 输出：标量。如果 reduction 为 'none' 并且输入大小不为 $()$，那么 $(N)$.

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()