SoftMarginLoss

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

Создаёт критерий, который оптимизирует двухклассовую логистическую функцию потерь между тензором входа $x$ и тензором цели $y$ (содержащим 1 или -1).

$$\text{loss}(x, y) = \sum_i \frac{\log(1 + \exp(-y[i]*x[i]))}{\text{x.nelement}()}$$

Параметры:

• size_average (bool, необязательно) – Устарело (см. reduction). По умолчанию потери усредняются по каждому элементу потерь в батче. Обратите внимание, что для некоторых потерь существует несколько элементов на образец. Если поле size_average установлено в False, потери вместо этого суммируются для каждого минибатча. Игнорируется, когда reduce равно False. По умолчанию: True
• reduce (bool, необязательно) – Устарело (см. reduction). По умолчанию потери усредняются или суммируются по наблюдениям для каждого минибатча в зависимости от size_average. Когда reduce равно False, возвращает потерю на элемент батча вместо этого и игнорирует size_average. По умолчанию: True
• reduction (str, необязательно) – Указывает уменьшение, которое необходимо применить к выходу: 'none' | 'mean' | 'sum'. 'none': уменьшение не будет применено, 'mean': сумма вывода будет разделена на количество элементов в выводе, 'sum': вывод будет суммирован. Примечание: size_average и reduce находятся в процессе устаревания, и пока что указание любого из этих двух аргументов переопределит reduction. По умолчанию: 'mean'

Форма:

• Вход: $(*)$, где $*$ означает любое количество измерений.
• Цель: $(*)$, такая же форма, как у входа.
• Вывод: скаляр. Если reduction равно 'none', то $(*)$, такая же форма, как у входа.