mindspore.ops.margin_ranking_loss

mindspore.ops.margin_ranking_loss(input1, input2, target, margin=0.0, reduction='mean')

排序损失函数，用于创建一个衡量给定损失的标准。

给定两个Tensor $input1$ 和 $input2$ ，以及一个Tensor标签 $target$ ，值为1或-1，公式如下：

$$\text{loss}(input1,input2,target)=max(0,-target\ast (input1-input2)+\text{margin})$$

参数：

• input1 (Tensor) - 输入Tensor，shape $(N,\ast )$ ，其中 $\ast$ 代表任意数量的附加维度。

• input2 (Tensor) - 输入Tensor，shape $(N,\ast )$ 。shape和数据类型与 input1 相同。

• target (Tensor) - 输入值为1或-1。假设 input1 的shape是 $(x_1,x_2,x_3,...,x_R)$ ，那么 target 的shape必须是 $(x_1,x_2,x_3,...,x_R)$ 。

• margin (float, 可选) - 指定运算的调节因子。默认 0.0 。

• 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 "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。

返回：

Tensor或Scalar，如果 reduction 为"none"，其shape与 input1 相同。否则，将返回为Scalar。

异常：

• TypeError - margin 不是float。

• TypeError - input1 ，input2 和 target 不是Tensor。

• TypeError - input1 和 input2 类型不一致。

• TypeError - input1 和 target 类型不一致。

• ValueError - input1 和 input2 shape不一致。

• ValueError - input1 和 target shape不一致。

• ValueError - reduction 不为 "none" 、 "mean" 或 "sum" 。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> from mindspore import Tensor, ops
>>> import numpy as np
>>> input1 = Tensor(np.array([0.3864, -2.4093, -1.4076]), ms.float32)
>>> input2 = Tensor(np.array([-0.6012, -1.6681, 1.2928]), ms.float32)
>>> target = ops.Sign()(Tensor(np.array([-2, -2, 3]), ms.float32))
>>> output = ops.margin_ranking_loss(input1, input2, target)
>>> print(output)
1.2293333