mindspore.nn.MultiLabelSoftMarginLoss

class mindspore.nn.MultiLabelSoftMarginLoss(weight=None, reduction='mean')

基于最大熵计算用于多标签优化的损失。

多标签软间隔损失通常用于多标签分类任务中，输入样本可以属于多个目标类别。 给定输入 $x$ 和二元标签 $y$ ，其shape为 $(N,C)$ ， $N$ 表示样本数量， $C$ 为样本类别数，损失计算公式如下：

$$\mathcal{loss}(\mathcal{x}\mathcal{,}\mathcal{y})=-\frac{1}{N}\frac{1}{C}\sum _{i=1}^N\sum _{j=1}^C(y_{ij}\log \frac{1}{1+e^{-x_{ij}}}+(1-y_{ij})\log \frac{e^{-x_{ij}}}{1+e^{-x_{ij}}})$$

其中 $x_{ij}$ 表示样本 $i$ 在 $j$ 类别的概率得分。 $y_{ij}$ 表示样本 $i$ 是否属于类别 $j$ ， $y_{ij}=1$ 时属于，为0时不属于。对于多标签分类任务，每个样本可以属于多个类别，即标签中含有多个1。 如果 weight 不为 None ，将会和每个分类的loss相乘。

参数：

• weight (Union[Tensor, int, float]) - 每个类别的缩放权重。默认值： None 。

• 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"：计算输出元素的加权平均值。

  • "sum"：计算输出元素的总和。

输入：

• x (Tensor) - shape为 $(N,C)$ 的Tensor，N为batch size，C为类别个数。

• target (Tensor) - 目标值，数据类型和shape与 x 的相同。

输出：

Tensor，数据类型和 x 相同。如果 reduction 为 "none" ，其shape为(N)。否则，其shape为0。

异常：

• ValueError - x 或 target 的维度不等于2。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> x = ms.Tensor([[0.3, 0.6, 0.6], [0.9, 0.4, 0.2]])
>>> target = ms.Tensor([[0.0, 0.0, 1.0], [0.0, 0.0, 1.0]])
>>> loss = nn.MultiLabelSoftMarginLoss(reduction='mean')
>>> out = loss(x, target)
>>> print(out.asnumpy())
0.84693956