HingeEmbeddingLoss

class torch.nn.HingeEmbeddingLoss(margin=1.0, size_average=None, reduce=None, reduction='mean') [source]

Измеряет потерю, заданную тензором входных данных $x$ и тензором меток $y$ (содержащим 1 или -1). Обычно используется для измерения сходства или несходства двух входных данных, например, используя L1 парное расстояние в качестве $x$, и обычно используется для обучения нелинейных вложений или полунадзорного обучения.

Функция потерь для $n$-й выборки в мини-пачке:

$$l_n = \begin{cases} x_n, & \text{if}\; y_n = 1,\\ \max \{0, \Delta - x_n\}, & \text{if}\; y_n = -1, \end{cases}$$

а общая функция потерь:

$$\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{`sum'.} \end{cases}$$

где $L = \{l_1,\dots,l_N\}^\top$.

Параметры:

• margin (float, необязательно) – Значение по умолчанию 1.
• size_average (bool, необязательно) – Устарело (см. reduction). По умолчанию потери усредняются по каждому элементу потерь в пачке. Обратите внимание, что для некоторых потерь есть несколько элементов на образец. Если поле size_average установлено в False, потери вместо этого суммируются для каждой мини-пачки. Игнорируется, когда reduce равно False. Значение по умолчанию: True
• reduce (bool, необязательно) – Устарело (см. reduction). По умолчанию потери усредняются или суммируются по наблюдениям для каждой мини-пачки в зависимости от size_average. Когда reduce равно False, возвращает потерю на каждый элемент пачки и игнорирует size_average. Значение по умолчанию: True
• reduction (str, необязательно) – Указывает уменьшение, применяемое к выходу: 'none' | 'mean' | 'sum'. 'none': не будет применено уменьшение, 'mean': сумма вывода будет разделена на количество элементов в выводе, 'sum': выход будет суммирован. Примечание: size_average и reduce находятся в процессе устаревания, и пока что указание любого из этих двух аргументов переопределит reduction. Значение по умолчанию: 'mean'

Форма:

• Вход: $(*)$, где $*$ означает любое количество измерений. Операция суммирования выполняется по всем элементам.
• Цель: $(*)$, та же форма, что и вход
• Выход: скаляр. Если reduction равно 'none', то та же форма, что и вход