mindspore.ops.MultiMarginLoss
- class mindspore.ops.MultiMarginLoss(p=1, margin=1.0, reduction='mean')[源代码]
创建一个损失函数,用于优化输入和输出之间的多分类合页损失。
警告
这是一个实验性API,后续可能修改或删除。
更多参考详见
mindspore.ops.multi_margin_loss()
。- 参数:
p (int, 可选) - 对偶距离的范数度。必须为1或2。默认值:
1
。margin (int, 可选) - 改变对偶距离的参数。默认值:
1.0
。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:
inputs (Tensor) - 输入,shape为 \((N, C)\)。数据类型只支持float32、float16或float64。
target (Tensor) - 真实标签,shape为 \((N,)\)。数据类型只支持int64。值应为非负值,且小于C。
weight (Tensor, 可选) - 每个类别的缩放权重,shape为 \((C,)\)。数据类型只支持float32、float16或float64。
- 输出:
Tensor,当 reduction 为"none"时,shape为 \((N,)\)。否则,为标量。类型与 inputs 相同。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, ops >>> x = Tensor(np.ones(shape=[3, 3]), mindspore.float32) >>> target = Tensor(np.array([1, 2, 1]), mindspore.int64) >>> weight = Tensor(np.array([1, 1, 1]), mindspore.float32) >>> loss = ops.MultiMarginLoss() >>> output = loss(x, target, weight) >>> print(output) 0.6666667