MultiLabelMarginLoss

class torch.nn.MultiLabelMarginLoss(size_average=None, reduce=None, reduction='mean')

创建一个标准的 criterion，它在输入 $x$ (一个二维的 mini-batch Tensor) 和输出 $y$ (一个目标类别索引的二维 Tensor) 之间，优化一个多类别多标签的 hinge loss（margin-based loss）。对于 mini-batch 中的每个样本

$$\text{loss}(x, y) = \sum_{ij}\frac{\max(0, 1 - (x[y[j]] - x[i]))}{\text{x.size}(0)}$$

其中 $x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}$, $y \in \left\{0, \; \cdots , \; \text{y.size}(0) - 1\right\}$, $0 \leq y[j] \leq \text{x.size}(0)-1$, 并且 $i \neq y[j]$ 对于所有 $i$ 和 $j$.

$y$ 和 $x$ 的大小必须相同。

该 criterion 只考虑从开头开始的连续非负目标块。

这使得不同的样本可以有可变数量的目标类别。

参数

• size_average (bool, optional) – 已弃用 (请参见 reduction)。默认情况下，损失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，则损失会加总每个 minibatch。如果 reduce 为 False，则此参数被忽略。默认值：True

• reduce (bool, optional) – 已弃用 (请参见 reduction)。默认情况下，损失根据 size_average 的值在每个 minibatch 的观测值上取平均值或加总。当 reduce 为 False 时，返回每个批次元素的损失，并忽略 size_average。默认值：True

• reduction (str, optional) – 指定要应用于输出的归约方式：'none' | 'mean' | 'sum'。 'none'：不进行归约； 'mean'：输出的总和除以输出的元素数量； 'sum'：对输出进行求和。 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会覆盖 reduction。 默认值：'mean'

形状

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

• 目标：$(C)$ 或 $(N, C)$，标签目标用 -1 填充，以确保与输入形状相同。

• 输出：标量。 如果 reduction 是 'none'，则输出为 $(N)$。

示例

>>> loss = nn.MultiLabelMarginLoss()
>>> x = torch.FloatTensor([[0.1, 0.2, 0.4, 0.8]])
>>> # for target y, only consider labels 3 and 0, not after label -1
>>> y = torch.LongTensor([[3, 0, -1, 1]])
>>> # 0.25 * ((1-(0.1-0.2)) + (1-(0.1-0.4)) + (1-(0.8-0.2)) + (1-(0.8-0.4)))
>>> loss(x, y)
tensor(0.85...)