Многоклассовая потеря с мягкой границей

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

Создаёт критерий, оптимизирующий многоклассовую потерю один-против-всех, основанную на максимальной энтропии, между входом $x$ и целевым значением $y$ размера $(N, C)$. Для каждой выборки 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 изменение весов, присваиваемое каждому классу. Если указано, это должен быть тензор размера C. В противном случае он обрабатывается как имеющий все единицы.
• 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 выборку. 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, возвращается потеря на каждый элемент пакета вместо этого и игнорируется size_average. По умолчанию: True
• reduction (str, необязательно) – Указывает уменьшение, применяемое к выходу: 'none' | 'mean' | 'sum'. 'none': уменьшение не будет применено, 'mean': сумма вывода будет разделена на количество элементов в выводе, 'sum': выход будет суммирован. Примечание: size_average и reduce находятся в процессе устаревания, и в то же время указание любого из этих двух аргументов переопределит reduction. По умолчанию: 'mean'

Форма:

• Вход: $(N, C)$ где N – размер пакета, а C – количество классов.
• Цель: $(N, C)$, метки целей должны иметь такую же форму, как вход.
• Вывод: скаляр. Если reduction равно 'none', то $(N)$.