MarginRankingLoss¶

class torch.nn.MarginRankingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')[源代码]¶

创建一个标准，用于衡量给定输入 $x1$ , $x2$ ，两个 1D 小批量或 0D 张量，以及一个标签 1D 小批量或 0D 张量 $y$ （包含 1 或 -1）。

如果 $y = 1$ ，则假设第一个输入应排在第二个输入之前（具有更大的值），反之亦然，对于 $y = -1$ 。

小批量中每对样本的损失函数为：

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

Parameters

margin (float, 可选) – 默认值为 $0$ 。
size_average (布尔值, 可选) – 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，则损失改为对每个小批次进行求和。当 reduce 为 False 时忽略。默认值：True
reduce (bool, 可选) – 已弃用（参见 reduction）。默认情况下，损失会根据 size_average 的设置在每个小批次中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，并忽略 size_average。默认值：True
reduction (str, 可选) – 指定应用于输出的reduction方式： 'none' | 'mean' | 'sum'。'none'：不进行reduction， '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'

Shape:

输入1: $(N)$ 或 $()$ 其中 N 是批次大小。
输入2: $(N)$ 或 $()$ , 与输入1的形状相同。
目标: $(N)$ 或 $()$ , 与输入形状相同。
输出: 标量。如果 reduction 是 'none' 并且输入大小不是 $()$ , 那么 $(N)$ .

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()