多标签软间隔损失 ¶

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

创建一个优化多标签一对多损失（基于最大熵）的准则，该准则在输入 $x$ 和目标 $y$ 之间，大小为 $(N, C)$ 。对于每个小批量中的样本：

$$loss(x, y) = - \frac{1}{C} * \sum_i y[i] * \log((1 + \exp(-x[i]))^{-1}) + (1-y[i]) * \log\left(\frac{\exp(-x[i])}{(1 + \exp(-x[i]))}\right)$$

“ $i \in \left\{0, \; \cdots , \; \text{x.nElement}() - 1\right\}$ ， $y[i] \in \left\{0, \; 1\right\}$ 。”

参数:

• 权重（Tensor，可选）- 每个类别分配的手动缩放权重。如果提供，它必须是一个大小为 C 的 Tensor。否则，它被视为所有元素均为 1 的 Tensor。

• 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： $(N, C)$ 其中 N 是批大小，C 是类别数。

• 目标： $(N, C)$ ，标签目标必须与输入具有相同的形状。

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