快捷方式

MultiLabelSoftMarginLoss

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

创建一个标准,该标准基于最大熵优化输入 xx 和目标 yy 之间的多标签一对多损失,大小为 (N,C)(N, C)。对于小批量中的每个样本

loss(x,y)=1Ciy[i]log((1+exp(x[i]))1)+(1y[i])log(exp(x[i])(1+exp(x[i])))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{0,  ,  x.nElement()1}i \in \left\{0, \; \cdots , \; \text{x.nElement}() - 1\right\}, y[i]{0,  1}y[i] \in \left\{0, \; 1\right\}.

参数
  • weight (张量, 可选) – 为每个类别赋予的手动重新缩放权重。如果给出,它必须是大小为 C 的张量。否则,将其视为所有权重都为 1。

  • size_average (布尔值, 可选) – 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,则损失将对每个小批次求和。当 reduceFalse 时忽略。默认值:True

  • reduce (布尔值, 可选) – 已弃用(参见 reduction)。默认情况下,损失根据 size_average 对每个小批次的观测值取平均值或求和。当 reduceFalse 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':输出将求和。注意:size_averagereduce 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)(N, C) 其中 N 是批次大小,C 是类别的数量。

  • 目标:(N,C)(N, C),标签目标必须与输入具有相同的形状。

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

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取适合初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源