MultiMarginLoss

class torch.nn.MultiMarginLoss(p=1, margin=1.0, weight=None, size_average=None, reduce=None, reduction='mean')

创建一个标准，用于优化输入 $x$ （一个 2D 小批量张量）和输出 $y$ （是一个 1D 的目标类别索引张量 $0 \leq y \leq \text{x.size}(1)-1$ ）之间的多类分类 Hinge 损失（基于边界的损失）。

对于每个小批量样本，1D 输入 $x$ 和标量输出 $y$ 的损失为：

$$\text{loss}(x, y) = \frac{\sum_i \max(0, \text{margin} - x[y] + x[i])^p}{\text{x.size}(0)}$$

$i \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}$ 和 $i \neq y$ 。

可选地，您可以通过向构造函数传递一个 1D weight 张量来对类别进行非等权重的赋值。

那么损失函数变为：

$$\text{loss}(x, y) = \frac{\sum_i w[y] * \max(0, \text{margin} - x[y] + x[i])^p}{\text{x.size}(0)}$$

参数:

• p (int, 可选) - 默认值为 $1$ 。 $1$ 和 $2$ 是唯一支持的值。

• 边距（浮点数，可选）- 默认值为 $1$ 。

• 权重（张量，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 的张量。否则，它被视为全 1。

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

• 目标： $(N)$ 或 $()$ ，其中每个值是 $0 \leq \text{targets}[i] \leq C-1$ 。

• 输出：标量。如果 reduction 是 'none' ，则与目标形状相同。

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...)