快捷方式

MultiMarginLoss

class torch.nn.MultiMarginLoss(p=1, margin=1.0, weight=None, size_average=None, reduce=None, reduction='mean')[source][source]

创建一个准则,用于优化输入 xx(一个二维 mini-batch Tensor)和输出 yy(一个目标类别索引的一维 Tensor,0yx.size(1)10 \leq y \leq \text{x.size}(1)-1)之间的多类别分类铰链损失(基于边界的损失)

对于每个 mini-batch 样本,一维输入 xx 和标量输出 yy 的损失计算如下:

loss(x,y)=imax(0,marginx[y]+x[i])px.size(0)\text{loss}(x, y) = \frac{\sum_i \max(0, \text{margin} - x[y] + x[i])^p}{\text{x.size}(0)}

其中 i{0,  ,  x.size(0)1}i \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}iyi \neq y

或者,您可以通过向构造函数传递一个一维的 weight Tensor 来为各个类别设置不等权重。

此时损失函数变为:

loss(x,y)=iw[y]max(0,marginx[y]+x[i])px.size(0)\text{loss}(x, y) = \frac{\sum_i w[y] * \max(0, \text{margin} - x[y] + x[i])^p}{\text{x.size}(0)}
参数
  • p (int, 可选) – 默认值为 111122 是唯一支持的值。

  • margin (float, 可选) – 默认值为 11

  • weight (Tensor, 可选) – 为每个类别手动指定的缩放权重。如果给定,它必须是一个大小为 C 的 Tensor。否则,它将被视为所有元素都为 1。

  • size_average (bool, 可选) – 已弃用(请参阅 reduction)。默认情况下,损失会在 batch 中的每个损失元素上求平均。请注意,对于某些损失,每个样本可能有多个元素。如果字段 size_average 设置为 False,则损失将对每个 minibatch 求和。当 reduceFalse 时忽略此参数。默认值:True

  • reduce (bool, 可选) – 已弃用(请参阅 reduction)。默认情况下,损失会根据 size_average 对每个 minibatch 的观测值求平均或求和。当 reduceFalse 时,返回每个 batch 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 reduction 方法:'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_averagereduce 正在被弃用,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)(N, C)(C)(C),其中 NN 是 batch 大小,CC 是类别数量。

  • 目标:(N)(N)()(),其中每个值都在 0targets[i]C10 \leq \text{targets}[i] \leq C-1 范围内。

  • 输出:标量。如果 reduction'none',则形状与目标相同。

示例

>>> loss = nn.MultiMarginLoss()
>>> x = torch.tensor([[0.1, 0.2, 0.4, 0.8]])
>>> y = torch.tensor([3])
>>> # 0.25 * ((1-(0.8-0.1)) + (1-(0.8-0.2)) + (1-(0.8-0.4)))
>>> loss(x, y)
tensor(0.32...)

文档

查阅 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题解答

查看资源