MultiLabelMarginLoss

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

Создаёт критерий, оптимизирующий функцию потерь с отступом (основанную на отступе) для многоклассовой многометочной классификации между входом $x$ (двумерный Tensor) и выходом $y$ (двумерный Tensor индексов целевых классов). Для каждого примера в мини-пакете:

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

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 учитывает только непрерывный блок неотрицательных целевых значений, начинающийся с начала последовательности.

Это позволяет задавать разное количество целевых классов для разных примеров.

Параметры:

• size_average (bool, необязательный) – Устарел (см. reduction). По умолчанию потери усредняются по каждому элементу потерь в пакете. Обратите внимание, что для некоторых функций потерь на один пример приходится несколько элементов. Если для поля size_average задано значение False, потери вместо этого суммируются для каждого мини-пакета. Игнорируется, если reduce имеет значение False. По умолчанию: True
• reduce (bool, необязательный) – Устарел (см. reduction). По умолчанию потери усредняются или суммируются по наблюдениям для каждого мини-пакета в зависимости от size_average. Если reduce имеет значение False, вместо этого возвращаются потери для каждого элемента пакета, а size_average игнорируется. По умолчанию: True
• reduction (str, необязательный) – Определяет способ сведения выходных данных: 'none' | 'mean' | 'sum'. 'none': сведение не выполняется, 'mean': сумма выходных данных делится на количество элементов в выходных данных, 'sum': выходные данные суммируются. Примечание: size_average и reduce постепенно выводятся из употребления; пока что указание любого из этих аргументов переопределяет reduction. По умолчанию: 'mean'

Форма:

• Вход: $(C)$ или $(N, C)$, где N — размер пакета, а C — количество классов.
• Целевые данные: $(C)$ или $(N, C)$, целевые метки дополняются значением -1, чтобы форма совпадала с формой входных данных.
• Выход: скаляр. Если reduction имеет значение '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...)

forward(input, target) [source]

Выполняет прямой проход.

Тип возвращаемого значения:

Tensor