MultiMarginLoss

class torch.nn.MultiMarginLoss(p=1, margin=1.0, weight=None, size_average=None, reduce=None, reduction='mean')

建立一個標準，該標準優化輸入 $x$ (一個 2D mini-batch Tensor) 和輸出 $y$ (它是目標類別索引的 1D 張量，$0 \leq y \leq \text{x.size}(1)-1$) 之間的多類分類 hinge loss（基於 margin 的 loss）。

對於每個 mini-batch 樣本，就 1D 輸入 $x$ 和純量輸出 $y$ 而言，loss 為

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

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

您可以選擇性地透過傳遞 1D weight 張量到建構子中，來給予各類別不同的權重。

則損失函數會變成

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

參數

• p (int, optional) – 預設值為 $1$。$1$ 和 $2$ 是唯一支援的值。

• margin (float, optional) – 預設值為 $1$。

• weight (Tensor, optional) – 手動調整每個類別的權重。如果提供，則必須是大小為 C 的 Tensor。否則，將視為全部為 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，則會改為將每個小批次的損失加總。當 reduce 為 False 時會被忽略。預設值：True

• reduce (bool, optional) – 已棄用 (請參閱 reduction)。預設情況下，損失會根據 size_average 的值，針對每個小批次在觀察值上進行平均或加總。當 reduce 為 False 時，會傳回每個批次元素的損失，並忽略 size_average。預設值：True

• reduction (str, optional) – 指定要應用於輸出的縮減方式：'none' | 'mean' | 'sum'。'none'：不應用任何縮減，'mean'：輸出總和將除以輸出中的元素數量，'sum'：輸出將被加總。請注意：size_average 和 reduce 正在逐步棄用，在此期間，指定這兩個參數中的任何一個都會覆蓋 reduction。預設值：'mean'

形狀 (Shape)

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

• 目標：$(N)$ 或 $()$，其中每個值都是 $0 \leq \text{targets}[i] \leq C-1$。

• 輸出：純量。如果 reduction 為 'none'，則與目標的形狀相同。

範例

>>> 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...)