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 、(两个一维小批量或 0D 张量)和标签一维小批量或 0D 张量 (包含 1 或 -1)测量损失。
如果 ,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 。
小批量中每对样本的损失函数为
- 参数
margin (float, optional) – 默认值为 。
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reduce
为False
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 (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_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 1: 或 ,其中 N 是批次大小。
输入 2: 或 ,与输入 1 形状相同。
目标: 或 ,与输入形状相同。
输出:标量。如果
reduction
为'none'
并且输入大小不为 ,那么 .
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()