余弦嵌入损失¶
- class torch.nn.CosineEmbeddingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')[source]¶
创建一个标准,用于测量给定输入张量 , 和一个 Tensor 标签 的损失,其值为 1 或 -1。使用 () 来最大化两个输入的余弦相似度,否则使用 ()。这通常用于学习非线性嵌入或半监督学习。
每个样本的损失函数为
- 参数
margin (float, 可选) – 应该是一个介于 到 之间的数字,建议使用 到 。如果
margin
缺失,则默认值为 。size_average (bool, 可选) – 已弃用(参见
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,每个样本可能有多个元素。如果字段size_average
设置为False
,则损失将改为对每个小批量求和。当reduce
为False
时忽略。默认:True
reduce (bool, 可选) – 已弃用(参见
reduction
)。默认情况下,损失根据size_average
在每个小批量的观测值上平均或求和。当reduce
为False
时,将返回每个批次元素的损失,并忽略size_average
。默认:True
reduction (str, 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:'mean'
- 形状
输入 1: 或 ,其中 N 是批次大小,D 是嵌入维度。
输入 2: 或 ,与输入 1 形状相同。
目标: 或 .
输出:如果
reduction
为'none'
,则为 ,否则为标量。
示例
>>> loss = nn.CosineEmbeddingLoss() >>> input1 = torch.randn(3, 5, requires_grad=True) >>> input2 = torch.randn(3, 5, requires_grad=True) >>> target = torch.ones(3) >>> output = loss(input1, input2, target) >>> output.backward()