MarginRankingLoss

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

创建一个损失函数，用于衡量给定输入 $x1$、$x2$（两个一维 mini-batch 或零维 Tensors）和标签一维 mini-batch 或零维 Tensor $y$（包含 1 或 -1）的损失。

如果 $y = 1$，则假定第一个输入应该比第二个输入具有更高的排名（更大的值），反之亦然，当 $y = -1$。

mini-batch 中每对样本的损失函数为

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

参数

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

• size_average (bool, optional) – 已弃用 (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) – 指定要应用于输出的归约方式：'none' | 'mean' | 'sum'。'none'：不应用归约；'mean'：输出的总和除以输出中的元素数量；'sum'：对输出求和。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。默认为：'mean'

形状

• Input1: $(N)$ 或 $()$，其中 N 是 batch size。

• Input2: $(N)$ 或 $()$，形状与 Input1 相同。

• Target: $(N)$ 或 $()$，形状与输入相同。

• Output: scalar。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()

forward(input1, input2, target)

执行前向传播。

返回类型

张量