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 (一个二维 mini-batch Tensor)和输出 (一个目标类别索引的一维 Tensor,)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 和标量输出 的损失计算如下:
其中 且 。
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:
- 参数
p (int, 可选) – 默认值为 。 和 是唯一支持的值。
margin (float, 可选) – 默认值为 。
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reduce
为False
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reduce
为False
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_average
和reduce
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: 或 ,其中 是 batch 大小, 是类别数量。
目标: 或 ,其中每个值都在 范围内。
输出:标量。如果
reduction
是'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...)