MultiMarginLoss

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

创建一个准则，该准则优化输入 $x$（2D 小批量 张量）和输出 $y$ 之间的多类别分类 hinge 损失（基于 margin 的损失），其中 $y$ 是目标类别索引的 1D 张量，$0 \leq y \leq \text{x.size}(1)-1$)

对于每个小批量样本，关于 1D 输入 $x$ 和标量输出 $y$ 的损失为：

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

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

可选地，您可以通过将 1D weight 张量传递给构造函数，为各个类别赋予不相等的权重。

损失函数变为：

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

参数

• p (int, 可选) – 默认值为 $1$。$1$ 和 $2$ 是唯一支持的值。

• margin (float, 可选) – 默认值为 $1$。

• weight (Tensor, 可选) – 手动调整每个类别的权重。如果给定，则必须是大小为 C 的张量。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，损失在批次中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，则损失将改为对每个小批量求和。当 reduce 为 False 时将被忽略。默认值：True

• reduce (bool, 可选) – 已弃用（参见 reduction）。默认情况下，损失根据 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，将改为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：$(N, C)$ 或 $(C)$，其中 $N$ 是批次大小，$C$ 是类别数量。

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

• 输出：标量。如果 reduction 为 '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...)