MultiMarginLoss

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

创建一个准则，用于优化输入 $x$（一个二维的 mini-batch Tensor）和输出 $y$（目标类别索引的一维张量，$0 \leq y \leq \text{x.size}(1)-1$）之间的多类分类合页损失（基于边距的损失）。

对于每个 mini-batch 样本，1D 输入 $x$ 和标量输出 $y$ 的损失为

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

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

可选地，您可以为不同的类别设置不同的权重，方法是在构造函数中传递一个一维 weight 张量。

此时损失函数变为

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

参数

• p (int, optional) – 默认为 $1$。仅支持 $1$ 和 $2$。

• margin (float, optional) – 默认为 $1$。

• weight (Tensor, optional) – 手动为每个类别指定的重缩放权重。如果指定，它必须是一个大小为 C 的张量。否则，假定其所有元素为 1。

• size_average (bool, optional) – 已弃用 (参见 reduction)。默认情况下，损失值在批次中的每个损失元素上取平均值。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，则损失值在每个小批次中而是求和。当 reduce 为 False 时忽略。默认值：True

• reduce (bool, optional) – 已弃用 (参见 reduction)。默认情况下，损失值在每个小批次中根据 size_average 对观测值进行平均或求和。当 reduce 为 False 时，返回每个批次元素的损失值，并忽略 size_average。默认值：True

• reduction (str, optional) – 指定应用于输出的规约：'none' | 'mean' | 'sum'。'none'：不进行规约；'mean'：输出的总和除以输出中的元素数量；'sum'：输出将求和。注意：size_average 和 reduce 正在被弃用，在此期间，指定其中任何一个参数都将覆盖 reduction。默认为：'mean'。

形状

• 输入：$(N, C)$ 或 $(C)$，其中 $N$ 是 batch size，$C$ 是类别数量。

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

• 输出：标量。如果 reduction 是 'none'，则形状与目标相同。

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...)

forward(input, target)

执行前向传播。

返回类型

张量