MultiLabelSoftMarginLoss

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

建立一個標準，該標準基於最大熵，優化輸入 $x$ 和目標 $y$ 之間的一對多 (one-versus-all) 多標籤損失，大小為 $(N, C)$。對於小批量 (minibatch) 中的每個樣本

$$loss(x, y) = - \frac{1}{C} * \sum_i y[i] * \log((1 + \exp(-x[i]))^{-1}) + (1-y[i]) * \log\left(\frac{\exp(-x[i])}{(1 + \exp(-x[i]))}\right)$$

其中 $i \in \left\{0, \; \cdots , \; \text{x.nElement}() - 1\right\}$, $y[i] \in \left\{0, \; 1\right\}$。

參數

• weight (Tensor, optional) – 給予每個類別的手動調整權重。如果給定，它必須是大小為 C 的 Tensor。 否則，它會被視為全部為 1。

• size_average (bool, optional) – 已棄用 (請參閱 reduction)。 預設情況下，損失會在批次中的每個損失元素上取平均值。 請注意，對於某些損失，每個樣本有多個元素。 如果欄位 size_average 設定為 False，則會對每個小批次求和損失。 當 reduce 為 False 時忽略。 預設值：True

• reduce (bool, optional) – 已棄用 (請參閱 reduction)。 預設情況下，根據 size_average，損失會在每個小批次的觀察值上取平均值或總和。 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, optional) – 指定要套用至輸出的縮減： 'none' | 'mean' | 'sum'。 'none'：不套用任何縮減，'mean'：輸出的總和將除以輸出中的元素數，'sum'：將對輸出進行總和。 注意：size_average 和 reduce 正在棄用中，同時，指定這兩個參數中的任何一個都會覆寫 reduction。 預設值：'mean'

形狀

• 輸入： $(N, C)$ 其中 N 是批次大小，C 是類別數量。

• 目標： $(N, C)$，標籤目標必須與輸入形狀相同。

• 輸出：純量。 如果 reduction 為 'none'，則 $(N)$。