MultiLabelSoftMarginLoss

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

创建了一个准则，用于优化基于最大熵的多标签“一对多”损失，介于输入 $x$ 和目标 $y$ 之间，大小为 $(N, C)$。对于小批量中的每个样本

$$loss(x, y) = - \frac{1}{C} * \sum_i y[i] * \log((1 + \exp(-x[i]))^{-1}) + (1-y[i]) * \log\left(\frac{\exp(-x[i])}{(1 + \exp(-x[i]))}\right)$$

其中 $i \in \left\{0, \; \cdots , \; \text{x.nElement}() - 1\right\}$, $y[i] \in \left\{0, \; 1\right\}$。

参数:

• 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) – 指定要应用于输出的缩减方式: 'none' | 'mean' | 'sum'。'none': 不应用任何缩减，'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: $(N, C)$ 其中 N 是批量大小，C 是类别数量。

• 目标: $(N, C)$，标签目标必须与输入具有相同的形状。

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

示例

>>> loss = nn.MultiLabelSoftMarginLoss()
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.empty(3, 5).random_(2)
>>> output = loss(input, target)
>>> output.backward()

forward(input, target)

执行前向传播。

返回类型:

张量