Python PyTorch MarginRankingLoss用法及代码示例

本文简要介绍python语言中 torch.nn.MarginRankingLoss 的用法。

用法:

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

参数：

• margin(float,可选的) -默认值为 0 。

• size_average(bool,可选的) -已弃用(请参阅reduction)。默认情况下，损失是批次中每个损失元素的平均值。请注意，对于某些损失，每个样本有多个元素。如果字段 size_average 设置为 False ，则会对每个小批量的损失求和。当 reduce 为 False 时忽略。默认值：True

• reduce(bool,可选的) -已弃用(请参阅reduction)。默认情况下，根据 size_average 对每个小批量的观察结果进行平均或求和。当 reduce 是 False 时，返回每个批次元素的损失并忽略 size_average 。默认值：True

• reduction(string,可选的) -指定要应用于输出的缩减：'none' | 'mean' | 'sum' 。 'none' ：不应用减少，'mean'：输出的总和将除以输出中的元素数，'sum'：输出将被求和。注意：size_average 和 reduce 正在被弃用，同时，指定这两个参数中的任何一个都将覆盖 reduction 。默认值：'mean'

创建一个标准来衡量给定输入 x1 、 x2 、两个 1D mini-batch Tensors 和标签 1D mini-batch 张量 y (包含 1 或 -1)的损失。

如果 y = 1 则假定第一个输入的排名应高于第二个输入(具有更大的值)，反之亦然 y = -1 。

小批量中每对样本的损失函数为：

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

形状：

• 输入 1：(N) 其中 N 是批量大小。

• Input2：(N)，与 Input1 的形状相同。

• 目标：(N)，与输入的形状相同。

• 输出：标量。如果 reduction 是 'none' ，那么 (N) 。

例子：

>>> 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()