MultiLabelSoftMarginLoss¶

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

创建一个基于最大熵的多标签一对一优化准则，在输入 $x$ 和目标 $y$ 之间，大小为 $(N, C)$ 。对于小批量中的每个样本：

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)

其中 $i \in \left\{0, \; \cdots , \; \text{x.nElement}() - 1\right\}$ , $y[i] \in \left\{0, \; 1\right\}$ .

Parameters

权重 (张量, 可选) – 手动调整每个类别的权重。如果提供，它必须是一个大小为 C 的张量。否则，它将被视为所有值均为1。
size_average (布尔值, 可选) – 已弃用（参见 reduction）。默认情况下，损失在批次中的每个损失元素上进行平均。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，则损失改为对每个小批次进行求和。当 reduce 为 False 时忽略。默认值：True
reduce (bool, 可选) – 已弃用（参见 reduction）。默认情况下，损失会根据 size_average 的设置在每个小批次中对观测值进行平均或求和。当 reduce 为 False 时，返回每个批次元素的损失，并忽略 size_average。默认值：True
reduction (str, 可选) – 指定应用于输出的reduction方式： 'none' | 'mean' | 'sum'。'none'：不进行reduction， 'mean'：输出的总和将除以输出中的元素数量，'sum'：输出将被求和。注意：size_average 和 reduce 正在被弃用，在此期间，指定这两个参数中的任何一个都将覆盖 reduction。默认值：'mean'

Shape: