MultiLabelSoftMarginLoss

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

创建一个准则，该准则基于最大熵优化输入 $x$ 和大小为 $(N, C)$ 的目标 $y$ 之间的多标签一对多损失。对于小批量中的每个样本

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

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

参数

• weight (Tensor, 可选) – 分配给每个类别的手动重缩放权重。如果给定，则必须是大小为 C 的 Tensor。否则，将其视为全部为 1。

• size_average (bool, 可选) – 已弃用 (参见 reduction)。默认情况下，损失会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，则损失将改为针对每个小批量求和。当 reduce 为 False 时忽略。默认值：True

• reduce (bool, 可选) – 已弃用 (参见 reduction)。默认情况下，损失会根据 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，返回每个批次元素的损失，并忽略 size_average。默认值：True

• reduction (str, 可选) – 指定应用于输出的缩减方式：'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'：输出将被求和。注意：size_average 和 reduce 正在逐步弃用，在此期间，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 是批次大小，C 是类别数量。

• 目标：$(N, C)$，标签目标必须与输入形状相同。

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