快捷方式

MarginRankingLoss

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

创建一个标准,根据输入 x1x1x2x2(两个一维小批量或 0D 张量)和标签一维小批量或 0D 张量 yy(包含 1 或 -1)测量损失。

如果 y=1y = 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=1y = -1

小批量中每对样本的损失函数为

loss(x1,x2,y)=max(0,y(x1x2)+margin)\text{loss}(x1, x2, y) = \max(0, -y * (x1 - x2) + \text{margin})
参数
  • margin (float, optional) – 默认值为 00

  • 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 reduceFalse 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 reduceFalse 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_averagereduce 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)(N)()(),其中 N 是批次大小。

  • 输入 2:(N)(N)()(),与输入 1 形状相同。

  • 目标:(N)(N)()(),与输入形状相同。

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

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题解答

查看资源