SoftMarginLoss

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

Создаёт критерий, оптимизирующий логистическую потерю двухклассовой классификации между тензором входных данных $x$ и тензором целевых значений $y$ (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 потери в пакете. Обратите внимание, что для некоторых потерь может быть несколько элементов на образец. Если поле size_average установлено в False, потери вместо этого суммируются для каждой мини-парт. Игнорируется, когда reduce равно False. Значение по умолчанию: True
• reduce (bool, необязательно) – Устарело (см. reduction). По умолчанию потери усредняются или суммируются по наблюдениям для каждой мини-парт, в зависимости от size_average. Когда reduce равно False, возвращает потерю на элемент пакета и игнорирует size_average. Значение по умолчанию: True
• reduction (str, необязательно) – Указывает операцию редукции для применения к выводу: 'none' | 'mean' | 'sum'. 'none': редукция не будет применена, 'mean': сумма вывода будет разделена на количество элементов в выводе, 'sum': вывод будет суммирован. Примечание: size_average и reduce находятся в процессе устаревания, и в настоящее время указание одного из этих двух аргументов переопределит reduction. Значение по умолчанию: 'mean'

Форма:

• Вход: $(*)$, где $*$ означает любое количество измерений.
• Целевые значения: $(*)$, форма совпадает с формой входных данных.
• Вывод: скаляр. Если reduction равно 'none', то $(*)$, форма совпадает с формой входных данных.