mindspore.nn.MultilabelMarginLoss ====================================== .. image:: https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/master/resource/_static/logo_source.svg :target: https://gitee.com/mindspore/mindspore/blob/master/docs/api/api_python/nn/mindspore.nn.MultilabelMarginLoss.rst :alt: 查看源文件 .. py:class:: mindspore.nn.MultilabelMarginLoss(reduction="mean") 创建一个损失函数,用于最小化多分类任务的合页损失。 它以一个2D mini-batch Tensor :math:`x` 作为输入,以包含目标类索引的2D Tensor :math:`y` 作为输出。 对于每个小批量样本,loss值根据如下公式计算: .. math:: \text{loss}(x, y) = \sum_{ij}\frac{\max(0, 1 - (x[y[j]] - x[i]))}{\text{x.size}(0)} 其中 :math:`x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}`, \ :math:`y \in \left\{0, \; \cdots , \; \text{y.size}(0) - 1\right\}`, \ :math:`0 \leq y[j] \leq \text{x.size}(0)-1`, \ 并且对于所有 :math:`i` 和 :math:`j` , :math:`i` 不等于 :math:`y[j]` 。 :math:`y` 和 :math:`x` shape必须相同。 .. note:: 该算子仅考虑从前方开始的连续非负目标块。这允许不同的样本具有不同数量的目标类别。 参数: - **reduction** (str,可选) - 指定应用于输出结果的规约计算方式,可选 ``"none"`` 、 ``"mean"`` 、 ``"sum"`` ,默认值: ``"mean"`` 。 - ``"none"``:不应用规约方法。 - ``"mean"``:计算输出元素的平均值。 - ``"sum"``:计算输出元素的总和。 输入: - **x** (Tensor) - 预测值,shape为 :math:`(C)` 或 :math:`(N, C)`,其中 :math:`N` 为批量大小,:math:`C` 为类别数。数据类型必须为:float16或float32。 - **target** (Tensor) - 目标值,shape与 `x` 相同,数据类型必须为int32,标签目标值由-1填充。 输出: - **y** (Union[Tensor, Scalar]) - MultilabelMarginLoss损失。如果 `reduction` 的值为 ``"none"`` , 那么返回shape为 :math:`(N)` 的Tensor类型数据。否则返回一个标量。 异常: - **TypeError** - 当 `x` 或者 `target` 数据不是Tensor时。 - **TypeError** - 当 `x` 数据类型不是以下其中之一时:float16、float32。 - **TypeError** - 当 `target` 数据类型不是int32时。 - **ValueError** - 当 `x` 的数据维度不是以下其中之一时:1、2。 - **ValueError** - 当 `x` 和 `target` 的shape不相同时。 - **ValueError** - 当 `reduction` 的值不是以下其中之一时: ``"none"`` 、 ``"mean"`` 、 ``"sum"`` 。