MultiLabelMarginLoss

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

创建一个标准，用于优化多类多分类的铰链损失（基于边际的损失），该损失在输入 $x$（一个2D小批量张量）和输出 $y$（这是一个目标类索引的2D 张量）之间。对于小批量中的每个样本：

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

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 $x$ 必须具有相同的大小。

该标准仅考虑从前面开始的连续非负目标块。

这使得不同的样本可以具有不同数量的目标类别。

Parameters

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

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

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

示例：

>>> loss = nn.MultiLabelMarginLoss()
>>> x = torch.FloatTensor([[0.1, 0.2, 0.4, 0.8]])
>>> # 对于目标 y，只考虑标签 3 和 0，不考虑标签 -1 之后的部分
>>> 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...)