mindspore.nn.MultilabelMarginLoss

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 $x$ 作为输入，以包含目标类索引的2D Tensor $y$ 作为输出。

对于每个小批量样本，loss值根据如下公式计算：

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

其中 $x\in \{0,\cdots ,\text{x.size}(0)-1\}$, $y\in \{0,\cdots ,\text{y.size}(0)-1\}$, $0\le y[j]\le \text{x.size}(0)-1$, 并且对于所有 $i$ 和 $j$ ， $i$ 不等于 $y[j]$ 。

$y$ 和 $x$ shape必须相同。

说明

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 $(C)$ 或 $(N,C)$，其中 $N$ 为批量大小，$C$ 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 $(N)$ 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" 。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> import numpy as np
>>> loss = nn.MultilabelMarginLoss()
>>> x = ms.Tensor(np.array([[0.1, 0.2, 0.4, 0.8], [0.2, 0.3, 0.5, 0.7]]), ms.float32)
>>> target = ms.Tensor(np.array([[1, 2, 0, 3], [2, 3, -1, 1]]), ms.int32)
>>> output = loss(x, target)
>>> print(output)
0.325