多标签边缘损失¶
- class torch.nn.MultiLabelMarginLoss(size_average=None, reduce=None, reduction='mean')[源代码]¶
创建一个标准,该标准优化输入 (一个 2D 小批量 Tensor)和输出 (这是一个 2D Tensor 的目标类索引)之间的多类多分类铰链损失(基于边缘的损失)。对于小批量中的每个样本
其中 , , , 并且 对于所有 和 .
和 必须具有相同的尺寸。
该准则仅考虑从开头开始的连续非负目标块。
这允许不同的样本具有可变数量的目标类别。
- 参数
size_average (bool, optional) – 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取平均值。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
,则损失将在每个小批量上求和。当reduce
为False
时忽略。默认值:True
reduce (bool, optional) – 已弃用(参见
reduction
)。默认情况下,损失在每个小批次中根据size_average
对观察结果取平均值或求和。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 (str, optional) – 指定要应用于输出的缩减:
'none'
|'mean'
|'sum'
。'none'
:不应用缩减,'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,同时指定这两个参数将覆盖reduction
。默认值:'mean'
- 形状
输入: 或 其中 N 是批次大小,C 是类别的数量。
目标: 或 ,标签目标用 -1 填充,确保与输入相同的形状。
输出:标量。如果
reduction
为'none'
,则为 .
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...)