MarginRankingLoss

class torch.nn.MarginRankingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')

建立一個標準，用於衡量給定輸入 $x1$、$x2$，兩個 1D mini-batch 或 0D Tensors，以及一個標籤 1D mini-batch 或 0D Tensor $y$（包含 1 或 -1）的損失。

如果 $y = 1$，則假設第一個輸入的排名應高於（具有較大的值）第二個輸入；反之，如果 $y = -1$。

mini-batch 中每對樣本的損失函數為

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

參數

• margin (float, optional) – 預設值為 $0$。

• size_average (bool, optional) – 已棄用 (請參閱 reduction)。 依預設，損失會針對 batch 中的每個損失元素進行平均。 請注意，對於某些損失，每個樣本有多個元素。 如果將欄位 size_average 設為 False，則損失會針對每個 minibatch 進行加總。 當 reduce 為 False 時會忽略。 預設值：True

• reduce (bool, optional) – 已棄用 (請參閱 reduction)。 依預設，損失會根據 size_average，針對每個 minibatch 的觀測值進行平均或加總。 當 reduce 為 False 時，會改為傳回每個 batch 元素的損失，並忽略 size_average。 預設值：True

• reduction (str, optional) – 指定要套用至輸出的縮減方式：'none' | 'mean' | 'sum'。'none'：不會套用任何縮減方式，'mean'：輸出總和會除以輸出中的元素數量，'sum'：輸出會加總。 注意：size_average 和 reduce 正在逐步淘汰中，在這段期間，指定這兩個引數的任一個都會覆寫 reduction。 預設值：'mean'

形狀

• Input1: $(N)$ 或 $()$，其中 N 是 batch 大小。

• Input2: $(N)$ 或 $()$，與 Input1 具有相同的形狀。

• Target: $(N)$ 或 $()$，與輸入具有相同的形狀。

• Output: 純量。如果 reduction 是 'none' 且 Input 的大小不是 $()$，則為 $(N)$。

範例

>>> 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()