MultiLabelSoftMarginLoss

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

创建一个准则，基于最大熵优化多标签一对多损失，损失计算在形状为 $x$ 的输入和形状为 $(N, C)$ 的目标 $y$ 之间。对于迷你批处理中的每个样本，计算公式如下：

$$loss(x, y) = - \frac{1}{C} * \sum_i y[i] * \log((1 + \exp(-x[i]))^{-1}) + (1-y[i]) * \log\left(\frac{\exp(-x[i])}{(1 + \exp(-x[i]))}\right)$$

其中 $i \in \left\{0, \; \cdots , \; \text{x.nElement}() - 1\right\}$，且 $y[i] \in \left\{0, \; 1\right\}$。

参数

• weight (Tensor, optional) – 给定每个类别的手动重新缩放权重。如果给定，它必须是形状为 C 的 Tensor。否则，将被视为全为一。

• size_average (bool, optional) – 已弃用（参见 reduction）。默认情况下，损失按批次中的每个损失元素进行平均。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，则损失将改为对每个迷你批次进行求和。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，根据 size_average 对每个迷你批次的观测值进行平均或求和。当 reduce 为 False 时，改为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归约（reduction）方法： 'none' | 'mean' | 'sum'。 'none'：不应用归约； 'mean'：输出的总和将除以输出中的元素数量； 'sum'：对输出进行求和。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：$(N, C)$，其中 N 是批处理大小，C 是类别数量。

• 目标：$(N, C)$，标签目标必须与输入的形状相同。

• 输出：标量。如果 reduction 为 'none'，则形状为 $(N)$。