MultiMarginLoss

class torch.nn.MultiMarginLoss(p=1, margin=1.0, weight=None, size_average=None, reduce=None, reduction='mean')

创建一个标准，用于优化输入 $x$ (一个二维小批量 Tensor) 和输出 $y$ (目标类别索引的一维张量，$0 \leq y \leq \text{x.size}(1)-1$)之间的多类分类铰链损失（基于边距的损失）。

对于每个小批量样本，以一维输入 $x$ 和标量输出 $y$ 为目标的损失是：

$$\text{loss}(x, y) = \frac{\sum_i \max(0, \text{margin} - x[y] + x[i])^p}{\text{x.size}(0)}$$

其中 $i \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}$ 和 $i \neq y$.

另外，你可以通过在构造函数中传入一个一维的 weight 张量来为类别设置不同的权重。

那么损失函数变为

$$\text{loss}(x, y) = \frac{\sum_i w[y] * \max(0, \text{margin} - x[y] + x[i])^p}{\text{x.size}(0)}$$

参数

• p (int, optional) – 默认为 $1$。 只支持 $1$ 和 $2$。

• margin (float, optional) – 默认为 $1$。

• weight (Tensor, optional) – 指定给每个类别的手动缩放权重。如果提供，它必须是一个大小为 C 的张量。否则，它被视为所有类别权重为一。

• size_average (bool, optional) – 已弃用 (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 size_average 字段设置为 False，则损失将对每个小批次求和。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，损失根据 size_average 的设置，在每个小批次的观测值上取平均值或求和。当 reduce 为 False 时，则返回每个批次元素的损失，并忽略 size_average。 默认值： True

• reduction (str, optional) – 指定应用于输出的约简方式：'none' | 'mean' | 'sum'。'none'：不进行约简，'mean'：输出的总和将除以输出中的元素数量，'sum'：将对输出进行求和。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将覆盖 reduction。 默认值： 'mean'

形状

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

• 目标： $(N)$ 或 $()$，其中每个值满足 $0 \leq \text{targets}[i] \leq C-1$.

• 输出：标量。如果 reduction 为 'none'，则形状与目标相同。

示例

>>> loss = nn.MultiMarginLoss()
>>> x = torch.tensor([[0.1, 0.2, 0.4, 0.8]])
>>> y = torch.tensor([3])
>>> # 0.25 * ((1-(0.8-0.1)) + (1-(0.8-0.2)) + (1-(0.8-0.4)))
>>> loss(x, y)
tensor(0.32...)