快捷方式

SoftMarginLoss

class torch.nn.SoftMarginLoss(size_average=None, reduce=None, reduction='mean')[source]

创建一个标准,优化输入张量 xx 和目标张量 yy(包含 1 或 -1)之间的两类分类逻辑损失。

loss(x,y)=ilog(1+exp(y[i]x[i]))x.nelement()\text{loss}(x, y) = \sum_i \frac{\log(1 + \exp(-y[i]*x[i]))}{\text{x.nelement}()}
参数
  • size_average (bool, 可选) – 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,则损失会针对每个小批次进行累加。当 reduceFalse 时忽略。默认值:True

  • reduce (bool, 可选) – 已弃用(见 reduction)。默认情况下,损失会在每个小批次中根据 size_average 对观测值进行平均或累加。当 reduceFalse 时,将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_averagereduce 正在被弃用,同时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:()(*),其中 * 表示任意数量的维度。

  • 目标:()(*),与输入相同的形状。

  • 输出:标量。如果 reduction'none',则为 ()(*),与输入相同的形状。

文档

访问 PyTorch 的全面开发人员文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源