快捷方式

MultiMarginLoss

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

创建一个标准,该标准优化输入 xx(一个 2D 小批量 Tensor)和输出 yy(这是一个目标类索引的 1D 张量,0yx.size(1)10 \leq y \leq \text{x.size}(1)-1)

对于每个小批量样本,损失根据 1D 输入 xx 和标量输出 yy 计算得出

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.

可选地,您可以通过在构造函数中传入一维的 weight 张量来对类别进行不等权重的设置。

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, optional) – 默认值为 11. 1122 是唯一支持的值。

  • margin (float, optional) – 默认值为 11.

  • weight (Tensor, optional) – 为每个类别手动提供的重新缩放权重。如果给出,它必须是大小为 C 的张量。否则,它被视为全部为1。

  • size_average (bool, optional) – 已弃用(见 reduction)。默认情况下,损失在批次中的每个损失元素上平均。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,则损失将针对每个小批量进行求和。当 reduceFalse 时忽略。默认值: True

  • reduce (bool, optional) – 已弃用(见 reduction)。默认情况下,损失在每个小批量的观测值上平均或求和,具体取决于 size_average。当 reduceFalse 时,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缩减: '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将覆盖 reduction。默认值: 'mean'

形状
  • 输入:(N,C)(N, C)(C)(C),其中 NN 是批次大小,CC 是类别数。

  • 目标:(N)(N)()(),其中每个值是 0targets[i]C10 \leq \text{targets}[i] \leq C-1.

  • 输出:标量。如果 reduction'none',则与目标具有相同的形状。

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

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向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的解答

查看资源