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，用于优化多类分类铰链损失（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1D张量，$0 \leq y \leq \text{x.size}(1)-1$）之间：

对于每个小批量样本，1D输入 $x$ 和标量输出 $y$ 的损失为：

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

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

可选地，您可以通过将一维weight张量传递给构造函数来对类别赋予不相等的权重。

损失函数变为：

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

Parameters

• p (int, 可选) – 默认值为 $1$。$1$ 和 $2$ 是唯一支持的值。

• margin (float, 可选) – 默认值为 $1$。

• 权重 (张量, 可选) – 手动调整每个类别的权重。如果提供，它必须是一个大小为 C 的张量。否则，它将被视为所有值均为1。

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

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

• 输出：标量。如果 reduction 是 'none'，则与目标形状相同。

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...)