MultiLabelMarginLoss

class torch.nn.MultiLabelMarginLoss(size_average=None, reduce=None, reduction='mean')

创建一个准则，用于优化输入 $x$（一个二维 mini-batch Tensor）和输出 $y$（一个二维目标类别索引 Tensor）之间的多类别多分类 hinge loss（基于 margin 的损失）。对于 mini-batch 中的每个样本，损失计算如下：

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

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

$y$ 和 $x$ 必须具有相同的尺寸。

该准则仅考虑从开头开始的、连续的非负目标块。

这允许不同样本具有可变数量的目标类别。

参数

• size_average (bool, 可选) – 已废弃（请参阅 reduction）。默认情况下，损失按 batch 中的每个损失元素进行平均。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，则损失将改为对每个 mini-batch 求和。当 reduce 为 False 时忽略。默认值：True

• reduce (bool, 可选) – 已废弃（请参阅 reduction）。默认情况下，损失根据 size_average 对每个 mini-batch 的观测值进行平均或求和。当 reduce 为 False 时，返回每个 batch 元素的损失，并忽略 size_average。默认值：True

• reduction (str, 可选) – 指定应用于输出的 reduction 操作：'none' | 'mean' | 'sum'。'none'：不应用 reduction；'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 正在废弃过程中，在此期间，指定这两个参数中的任何一个都将覆盖 reduction。默认值：'mean'

形状

• 输入：$(C)$ 或 $(N, C)$，其中 N 是 batch size，C 是类别数量。

• 目标：$(C)$ 或 $(N, C)$，目标标签用 -1 填充，以确保与输入形状相同。

• 输出：标量。如果 reduction 是 'none'，则为 $(N)$。

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...)