MultiLabelSoftMarginLoss

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

Создаёт критерий, который оптимизирует потерю «один против всех» для многозначной задачи на основе максимизации энтропии, между входными данными $x$ и целевыми значениями $y$ размера $(N, C)$. Для каждого образца в мини-пачке:

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

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

Параметры:

• weight (Tensor, необязательно) – ручное масштабирование весов, присваиваемое каждому классу. Если задано, должно быть тензором размера C. В противном случае, рассматривается как если бы все значения равны единице.
• size_average (bool, необязательно) – Устарело (см. reduction). По умолчанию потери усредняются по каждому элементу потерь в пакете. Обратите внимание, что для некоторых потерь существует несколько элементов на образец. Если поле size_average установлено в 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 пакета вместо этого и игнорирует size_average. По умолчанию: True
• reduction (str, необязательно) – Указывает применённое сокращение к выходу: 'none' | 'mean' | 'sum'. 'none': не применяется сокращение, 'mean': сумма выхода делится на количество элементов в выходе, 'sum': выход суммируется. Примечание: size_average и reduce в процессе устаревания, и пока что, указание любого из этих двух аргументов переопределит reduction. По умолчанию: 'mean'

Форма:

• Вход: $(N, C)$ где N — размер мини-пачки, а C — количество классов.
• Цель: $(N, C)$, метки целей дополняются -1, обеспечивая ту же форму, что и вход.
• Выход: скаляр. Если reduction равно 'none', то $(N)$.