MarginRankingLoss

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

创建一个准则，用于衡量给定输入 $x1$、$x2$（两个一维 mini-batch 或零维 Tensor）以及标签一维 mini-batch 或零维 Tensor $y$（包含 1 或 -1）时的损失。

如果 $y = 1$，则假定第一个输入的排名应高于（值更大）第二个输入；而如果 $y = -1$，则情况相反。

mini-batch 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, 可选) – 默认值为 $0$。

• size_average (bool, 可选) – 已弃用（详见 reduction）。默认情况下，损失会在 batch 中的每个损失元素上进行平均。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 minibatch 进行求和。当 reduce 为 False 时忽略此参数。默认值: True

• reduce (bool, 可选) – 已弃用（详见 reduction）。默认情况下，根据 size_average 参数，损失会对每个 minibatch 中的观测值进行平均或求和。当 reduce 为 False 时，将返回每个 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 方式: 'none' | 'mean' | 'sum'。'none': 不应用任何 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 正在被弃用，同时，指定这两个参数中的任何一个都会覆盖 reduction。默认值: 'mean'

形状

• 输入1: $(N)$ 或 $()$，其中 N 是 batch size。

• 输入2: $(N)$ 或 $()$，形状与 Input1 相同。

• 目标: $(N)$ 或 $()$，形状与输入相同。

• 输出: 标量。如果 reduction 为 'none' 且输入形状不是 $()$，则形状为 $(N)$。

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()