MarginRankingLoss

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

Создаёт критерий, который измеряет потерю, учитывая входные данные $x1$, $x2$, два 1D мини-пакета или 0D Tensors, и метку 1D мини-пакет или 0D Tensor $y$ (содержащую 1 или -1).

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

Функция потерь для каждой пары образцов в мини-пакете:

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

Параметры

• margin (float, необязательно) – Значение по умолчанию $0$.
• size_average (bool, необязательно) – Устарело (см. reduction). По умолчанию потери усредняются по каждому элементу потери в пакете. Обратите внимание, что для некоторых потерь есть несколько элементов на образец. Если поле size_average установлено в False, потери суммируются для каждого мини-пакета. Игнорируется, когда reduce равно False. По умолчанию: True
• reduce (bool, необязательно) – Устарело (см. reduction). По умолчанию потери усредняются или суммируются по наблюдениям для каждого мини-пакета 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 на применяемую редукцию к выводу: 'none' | 'mean' | 'sum'. 'none': редукция 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:

• Вход 1: $(N)$ или $()$ где N — размер пакета.
• Вход 2: $(N)$ или $()$, форма такая же, как у Входа 1.
• Цель: $(N)$ или $()$, форма такая же, как у входов.
• Вывод: скаляр. Если reduction равно 'none' и размер входа 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()