Python PyTorch MultiLabelMarginLoss用法及代碼示例

本文簡要介紹python語言中 torch.nn.MultiLabelMarginLoss 的用法。

用法:

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

參數：

• size_average(bool,可選的) -已棄用(請參閱reduction)。默認情況下，損失是批次中每個損失元素的平均值。請注意，對於某些損失，每個樣本有多個元素。如果字段 size_average 設置為 False ，則會對每個小批量的損失求和。當 reduce 為 False 時忽略。默認值：True

• reduce(bool,可選的) -已棄用(請參閱reduction)。默認情況下，根據 size_average 對每個小批量的觀察結果進行平均或求和。當 reduce 是 False 時，返回每個批次元素的損失並忽略 size_average 。默認值：True

• reduction(string,可選的) -指定要應用於輸出的縮減：'none' | 'mean' | 'sum' 。 'none' ：不應用減少，'mean'：輸出的總和將除以輸出中的元素數，'sum'：輸出將被求和。注意：size_average 和 reduce 正在被棄用，同時，指定這兩個參數中的任何一個都將覆蓋 reduction 。默認值：'mean'

創建一個標準，優化輸入 x (2D 小批量 Tensor )和輸出 y (目標的 2D Tensor 之間的多類 multi-classification 鉸鏈損失(基於裕度的損失)類索引)。對於小批量中的每個樣本：

\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] 對於所有 i 和 j 。

y 和x 的大小必須相同。

該標準僅考慮從前麵開始的連續非負目標塊。

這允許不同的樣本具有可變數量的目標類別。

形狀：

• 輸入：(C) 或 (N, C) 其中 N 是批量大小，C 是類數。

• 目標：(C) 或 (N, C) ，標簽目標由 -1 填充，確保與輸入的形狀相同。

• 輸出：標量。如果 reduction 是 'none' ，那麽 (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)