多标签边界损失 ¶

class torch.nn.MultiLabelMarginLoss(size_average=None, reduce=None, reduction='mean')

创建一个优化输入 $x$ （一个 2D 小批量张量）和输出 $y$ （它是一个 2D 目标类别索引张量）之间多类别多分类边界损失（基于边界的损失）的准则。对于小批量中的每个样本：

$$\text{loss}(x, y) = \sum_{ij}\frac{\max(0, 1 - (x[y[j]] - x[i]))}{\text{x.size}(0)}$$

在这里 $x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}$ ， $y \in \left\{0, \; \cdots , \; \text{y.size}(0) - 1\right\}$ ， $0 \leq y[j] \leq \text{x.size}(0)-1$ 和 $i \neq y[j]$ 适用于所有 $i$ 和 $j$ 。

$y$ 和 $x$ 必须具有相同的大小。

该标准仅考虑从前面开始的连续的非负目标块。

这允许不同的样本具有不同数量的目标类别。

参数:

• 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： $(C)$ 或 $(N, C)$ ，其中 N 是批量大小，C 是类别数。

• 目标： $(C)$ 或 $(N, C)$ ，标签目标通过 -1 补齐，确保与输入形状相同。

• 输出：标量。如果 reduction 是 'none' ，则 $(N)$ 。

示例：

>>> loss = nn.MultiLabelMarginLoss()
>>> x = torch.FloatTensor([[0.1, 0.2, 0.4, 0.8]])
>>> # for target y, only consider labels 3 and 0, not after label -1
>>> y = torch.LongTensor([[3, 0, -1, 1]])
>>> # 0.25 * ((1-(0.1-0.2)) + (1-(0.1-0.4)) + (1-(0.8-0.2)) + (1-(0.8-0.4)))
>>> loss(x, y)
tensor(0.85...)