MultiLabelMarginLoss

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

Создаёт критерий, который оптимизирует многоклассовую многоклассовую потерю отсечки (потерю на основе отступа) между входом $x$ (двумерная мини-парт Tensor) и выходом $y$ (который представляет собой двумерный Tensor индексов целевого класса). Для каждого образца в мини-парттии:

$$\text{loss}(x, y) = \sum_{ij}\frac{\max(0, 1 - (x[y[j]] - x[i]))}{\text{x.size}(0)}$$

где $x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}$, $y \in \left\{0, \; \cdots , \; \text{y.size}(0) - 1\right\}$, $0 \leq y[j] \leq \text{x.size}(0)-1$, и $i \neq y[j]$ для всех $i$ и $j$.

$y$ и $x$ должны иметь одинаковый размер.

Критерий рассматривает только непрерывный блок неотрицательных целей, начинающийся спереди.

Это позволяет различным образцам иметь различное количество целевых классов.

Параметры:

• size_average (bool, необязательно) – Устарело (см. reduction). По умолчанию потери усредняются по каждому элементу потери в пакет. Обратите внимание, что для некоторых потерь существует несколько элементов на образец. Если поле size_average установлено в значение False, потери суммируются для каждой мини-парттии. 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-парттии в зависимости от size_average. Когда reduce равно False, возвращает потерю на элемент пакета и игнорирует size_average. По умолчанию: True
• reduction (str, необязательно) – Указывает применённое сокращение к выходу: 'none' | 'mean' | 'sum'. 'none': сокращение не применяется, 'mean': сумма вывода делится на количество элементов вывода, 'sum': выход суммируется. Примечание: size_average и reduce в процессе устаревания, а пока указание любого из этих двух аргументов переопределит reduction. По умолчанию: 'mean'

Форма:

• Вход: $(C)$ или $(N, C)$ где N — размер пакета, а C — количество классов.
• Цель: $(C)$ или $(N, C)$, метки целей, дополненные -1, обеспечивая такую же форму, что и вход.
• Выход: скаляр. Если reduction равен 'none', то $(N)$.

Примеры:

>>> 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...)