MarginRankingLoss

class torch.nn.MarginRankingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')

创建一个准则，用于计算给定输入 $x1$、$x2$，以及标签 $y$（包含 1 或 -1）的损失。输入可以是 1D 迷你批次或 0D Tensors。

如果 $y = 1$，则假定第一个输入应高于第二个输入（值更大），反之亦然，如果 $y = -1$。

损失函数针对迷你批次中的每对样本为

$$\text{loss}(x1, x2, y) = \max(0, -y * (x1 - x2) + \text{margin})$$

参数

• margin (float, optional) – 默认值为 $0$。

• size_average (bool, optional) – 已弃用（请参阅 reduction）。默认情况下，损失会根据批次中的每个损失元素进行平均。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，则损失会针对每个迷你批次进行累加。当 reduce 为 False 时将被忽略。默认值：True

• reduce (bool, optional) – 已弃用（请参阅 reduction）。默认情况下，损失会根据 size_average 的设置，在迷你批次中根据观测值进行平均或累加。当 reduce 为 False 时，将返回每个批次元素的损失，并忽略 size_average。默认值：True

• reduction (str, optional) – 指定应用于输出的缩减操作：'none' | 'mean' | 'sum'。'none'：不应用缩减；'mean'：输出的总和将除以输出中的元素数量；'sum'：将对输出进行累加。注意：size_average 和 reduce 正在被弃用，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 1：$(N)$ 或 $()$，其中 N 是批次大小。

• 输入 2：$(N)$ 或 $()$，形状与输入 1 相同。

• 目标： $(N)$ 或 $()$，形状与输入相同。

• 输出：标量。如果 reduction 为 'none' 且输入大小不是 $()$，则为 $(N)$。

示例

>>> loss = nn.MarginRankingLoss()
>>> input1 = torch.randn(3, requires_grad=True)
>>> input2 = torch.randn(3, requires_grad=True)
>>> target = torch.randn(3).sign()
>>> output = loss(input1, input2, target)
>>> output.backward()