MultiMarginLoss

class torch.nn.MultiMarginLoss(p=1, margin=1.0, weight=None, size_average=None, reduce=None, reduction='mean')

创建一个标准，该标准优化输入 $x$（一个 2D 小批量 Tensor）和输出 $y$（这是一个目标类索引的 1D 张量，$0 \leq y \leq \text{x.size}(1)-1$)

对于每个小批量样本，损失根据 1D 输入 $x$ 和标量输出 $y$ 计算得出

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

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

可选地，您可以通过在构造函数中传入一维的 weight 张量来对类别进行不等权重的设置。

损失函数变为：

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

参数

• p (int, optional) – 默认值为 $1$. $1$ 和 $2$ 是唯一支持的值。

• margin (float, optional) – 默认值为 $1$.

• weight (Tensor, optional) – 为每个类别手动提供的重新缩放权重。如果给出，它必须是大小为 C 的张量。否则，它被视为全部为1。

• size_average (bool, optional) – 已弃用（见 reduction）。默认情况下，损失在批次中的每个损失元素上平均。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求和。当 reduce 为 False 时忽略。默认值： True

• reduce (bool, optional) – 已弃用（见 reduction）。默认情况下，损失在每个小批量的观测值上平均或求和，具体取决于 size_average。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 (str, optional) – 指定要应用于输出的缩减： 'none' | 'mean' | 'sum'。 'none'：不应用缩减，'mean'：输出的总和将除以输出中的元素数量，'sum'：输出将求和。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：$(N, C)$ 或 $(C)$，其中 $N$ 是批次大小，$C$ 是类别数。

• 目标：$(N)$ 或 $()$，其中每个值是 $0 \leq \text{targets}[i] \leq C-1$.

• 输出：标量。如果 reduction 是 'none'，则与目标具有相同的形状。

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...)