MultiLabelMarginLoss

class torch.nn.MultiLabelMarginLoss(size_average=None, reduce=None, reduction='mean')

创建一个 criterion，用于优化输入 $x$ (2D 小批量 Tensor) 和输出 $y$ (目标类别索引的 2D Tensor) 之间的多类多分类 hinge loss（基于 margin 的 loss）。对于小批量中的每个样本

$$\text{loss}(x, y) = \sum_{ij}\frac{\max(0, 1 - (x[y[j]] - x[i]))}{\text{x.size}(0)}$$

其中 $x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}$, $y \in \left\{0, \; \cdots , \; \text{y.size}(0) - 1\right\}$, $0 \leq y[j] \leq \text{x.size}(0)-1$, 并且 $i \neq y[j]$ 对于所有 $i$ 和 $j$。

$y$ 和 $x$ 必须具有相同的大小。

该 criterion 仅考虑从前面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, 可选) – 已弃用（参见 reduction）。默认情况下，loss 会在批次中每个 loss 元素上取平均值。请注意，对于某些 loss，每个样本有多个元素。如果字段 size_average 设置为 False，则 loss 会改为对每个小批量求和。当 reduce 为 False 时，将被忽略。默认值：True

• reduce (bool, 可选) – 已弃用（参见 reduction）。默认情况下，loss 会根据 size_average 在每个小批量的观测值上取平均值或求和。当 reduce 为 False 时，将返回每个批次元素的 loss，并忽略 size_average。默认值：True

• reduction (str, 可选) – 指定应用于输出的 reduction： 'none' | 'mean' | 'sum'。'none'：不应用 reduction，'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，同时，指定这两个参数中的任何一个都将覆盖 reduction。默认值：'mean'

形状

• 输入： $(C)$ 或 $(N, C)$，其中 N 是批次大小，C 是类别数量。

• 目标： $(C)$ 或 $(N, C)$，标签目标用 -1 填充，确保与输入形状相同。

• 输出：标量。如果 reduction 为 'none'，则为 $(N)$。

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...)