边界排序损失 ¶

class torch.nn.MarginRankingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')

创建一个准则，用于衡量输入 $x1$ 、 $x2$ （两个 1D mini-batch 或 0D 张量）和标签 1D mini-batch 或 0D 张量 $y$ （包含 1 或-1）给出的损失。

如果 $y = 1$ 则假设第一个输入应该比第二个输入排序更高（具有更大的值），反之亦然对于 $y = -1$ 。

每个小批量中每对样本的损失函数为：

$$\text{loss}(x1, x2, y) = \max(0, -y * (x1 - x2) + \text{margin})$$

参数:

• 边距（浮点数，可选）- 默认值为 $0$ 。

• size_average（布尔值，可选）- 已弃用（参见 reduction ）。默认情况下，损失会在批次的每个损失元素上平均。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 ，则损失将改为对每个 minibatch 求和。当 reduce 为 False 时，将被忽略。默认： True

• reduce（布尔值，可选）- 已弃用（参见 reduction ）。默认情况下，损失会在每个 minibatch 的观测上平均或求和，具体取决于 size_average 。当 reduce 为 False 时，将返回每个批次的损失，并忽略 size_average 。默认： True

• reduction（字符串，可选）- 指定应用于输出的缩减方式： 'none' | 'mean' | 'sum' 。 'none' ：不应用缩减， 'mean' ：输出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，指定这两个参数之一将覆盖 reduction 。默认： 'mean'

形状：

• 输入 1： $(N)$ 或 $()$ ，其中 N 是批量大小。

• 输入 2： $(N)$ 或 $()$ ，与输入 1 形状相同。

• 目标： $(N)$ 或 $()$ ，与输入形状相同。

• 输出：标量。如果 reduction 等于 'none' 且输入大小不等于 $()$ ，则 $(N)$ 。

示例：

>>> loss = nn.MarginRankingLoss()
>>> input1 = torch.randn(3, requires_grad=True)
>>> input2 = torch.randn(3, requires_grad=True)
>>> target = torch.randn(3).sign()
>>> output = loss(input1, input2, target)
>>> output.backward()