MarginRankingLoss

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

Создаёт критерий, который измеряет потерю, заданную входными данными $x1$, $x2$, двумя 1D мини-пачками или 0D Tensors, и меткой 1D мини-пачки или 0D Tensor $y$ (содержащей 1 или -1).

Если $y = 1$, то предполагается, что первый вход должен быть ранжирован выше (иметь большее значение), чем второй вход, и наоборот для $y = -1$.

Функция потерь для каждой пары выборок в мини-пачке:

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

Параметры:

• margin (float, необязательно) – Значение по умолчанию $0$.
• size_average (bool, необязательно) – Устарело (см. reduction). По умолчанию, потери усредняются по каждому элементу потерь в пакете. Обратите внимание, что для некоторых потерь может быть несколько элементов на образец. Если поле size_average установлено в значение False, потери вместо этого суммируются для каждой мини-пачки. Игнорируется, когда reduce равно False. 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 элемент пачки и игнорирует size_average. По умолчанию: True
• reduction (str, необязательно) – Указывает на применение уменьшения к выходу: 'none' | 'mean' | 'sum'. 'none': уменьшение не применяется, 'mean': сумма вывода делится на количество элементов в выводе, 'sum': вывод суммируется. Примечание: size_average и reduce в процессе устаревания, и пока что указание любого из этих двух аргументов переопределит reduction. По умолчанию: 'mean'

Форма:

• Ввод1: $(N)$ или $()$, где N — размер пачки.
• Ввод2: $(N)$ или $()$, та же форма, что и у Ввода1.
• Цель: $(N)$ или $()$, та же форма, что и у входов.
• Вывод: скаляр. Если reduction — 'none', и размер ввода не $()$, то $(N)$.

Примеры:

>>> 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()