HingeEmbeddingLoss

class torch.nn.HingeEmbeddingLoss(margin=1.0, size_average=None, reduce=None, reduction='mean')

衡量给定输入张量 $x$ 和标签张量 $y$（包含 1 或 -1）时的损失。这通常用于衡量两个输入是相似还是不相似，例如，将 L1 对距离用作 $x$，并且通常用于学习非线性嵌入或半监督学习。

mini-batch 中第 $n$ 个样本的损失函数为

$$l_n = \begin{cases} x_n, & \text{if}\; y_n = 1,\\ \max \{0, margin - x_n\}, & \text{if}\; y_n = -1, \end{cases}$$

总损失函数为

$$\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{`sum'.} \end{cases}$$

其中 $L = \{l_1,\dots,l_N\}^\top$。

参数:

• margin (float, 可选) – 默认值为 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, 可选) – 指定要应用于输出的归约方式： 'none' | 'mean' | 'sum'。'none'：不应用任何归约；'mean'：输出的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 正在被废弃，在此期间，指定这两个参数中的任何一个都将覆盖 reduction。默认值：'mean'

形状

• 输入：$(*)$ 其中 $*$ 表示任意数量的维度。求和操作作用于所有元素。

• 目标：$(*)$，与输入形状相同

• 输出：标量。如果 reduction 是 'none'，则形状与输入相同

示例

>>> loss = nn.HingeEmbeddingLoss()
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.randn(3, 5).sign()
>>> output = loss(input, target)
>>> output.backward()

forward(input, target)

执行前向传播。

返回类型:

张量