MultiLabelMarginLoss

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

建立一個準則，用於最佳化輸入 $x$（2D 小批次 Tensor）和輸出 $y$（它是目標類別索引的 2D Tensor）之間的多類別多分類 hinge loss（基於邊界的 loss）。對於小批次中的每個樣本

其中 $x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}$, $y \in \left\{0, \; \cdots , \; \text{y.size}(0) - 1\right\}$, $0 \leq y[j] \leq \text{x.size}(0)-1$, 且對於所有的 $i$ 和 $j$, $i \neq y[j]$。

$y$ 和 $x$ 必須具有相同的大小。

此標準僅考慮從前面開始的連續非負目標區塊。

這允許不同的樣本具有不同數量的目標類別。

參數

• size_average (bool, optional) – 已棄用（請參閱 reduction）。預設情況下，損失會針對批次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，則會改為針對每個小批次對損失求和。 當 reduce 為 False 時，會忽略此欄位。 預設值：True

• reduce (bool, optional) – 已棄用（請參閱 reduction）。預設情況下，根據 size_average，損失會針對每個小批次的觀察值進行平均或求和。當 reduce 為 False 時，會改為傳回每個批次元素的損失，並忽略 size_average。預設值：True

• reduction (str, 可選) – 指定要應用於輸出的 reduction 方式：'none' | 'mean' | 'sum'。'none'：不應用任何 reduction，'mean'：輸出的總和將除以輸出中的元素數量，'sum'：輸出將被加總。注意：size_average 和 reduce 正在被棄用，在此期間，指定這兩個參數中的任何一個都將覆蓋 reduction。預設值：'mean'

形狀 (Shape)

• 輸入 (Input): $(C)$ 或 $(N, C)$，其中 N 是批次大小，C 是類別數量。

• 目標 (Target): $(C)$ 或 $(N, C)$，標籤目標用 -1 填充，以確保與輸入形狀相同。

• 輸出 (Output): 純量。如果 reduction 是 'none'，則為 $(N)$。

範例 (Examples)

>>> loss = nn.MultiLabelMarginLoss()
>>> x = torch.FloatTensor([[0.1, 0.2, 0.4, 0.8]])
>>> # for target y, only consider labels 3 and 0, not after label -1
>>> 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...)