Python PyTorch MultiLabelMarginLoss用法及代码示例

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

用法:

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

参数：

• 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，优化输入 x (2D 小批量 Tensor )和输出 y (目标的 2D Tensor 之间的多类 multi-classification 铰链损失(基于裕度的损失)类索引)。对于小批量中的每个样本：

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

其中 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 和 i \neq y[j] 对于所有 i 和 j 。

y 和x 的大小必须相同。

该标准仅考虑从前面开始的连续非负目标块。

这允许不同的样本具有可变数量的目标类别。

形状：

• 输入：(C) 或 (N, C) 其中 N 是批量大小，C 是类数。

• 目标：(C) 或 (N, C) ，标签目标由 -1 填充，确保与输入的形状相同。

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

例子：

>>> 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]])
>>> loss(x, y)
>>> # 0.25 * ((1-(0.1-0.2)) + (1-(0.1-0.4)) + (1-(0.8-0.2)) + (1-(0.8-0.4)))
tensor(0.8500)