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 (一个 2D 小批量 Tensor)和输出 (这是一个目标类索引的 1D 张量,)
对于每个小批量样本,损失根据 1D 输入 和标量输出 计算得出
其中
( 0 ) − 1 } i \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\} 且 .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:
- 参数
p (int, optional) – 默认值为 . 和 是唯一支持的值。
margin (float, optional) – 默认值为 .
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reduce
为False
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, 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_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将覆盖reduction
。默认值:'mean'
- 形状
输入: 或 ,其中 是批次大小, 是类别数。
目标: 或 ,其中每个值是 .
输出:标量。如果
reduction
是'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...)