mindspore.ops.multi_margin_loss
- mindspore.ops.multi_margin_loss(input, target, p=1, margin=1, weight=None, reduction='mean')[源代码]
用于优化多分类问题的合页损失。
优化输入和输出之间的多级分类合页损耗(基于边缘损失)。
对于每个小批量样本,1D输入 \(x\) 和标量输出 \(y\) 的损失为:
\[\text{loss}(x, y) = \frac{\sum_i \max(0, \text{margin} - x[y] + x[i])^p}{\text{x.size}(0)}\]其中 \(i\in \{0,⋯,x.size(0)-1\}\) 并且 \(i \ne y\)。
- 参数:
input (Tensor) - 输入,shape为 \((N, C)\)。数据类型只支持float32、float16或float64。即上述公式中的 \(x\) 。
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。即上述公式中的 \(y\) 。
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
。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。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。
- 返回:
outputs - 当 reduction 为"none"时,类型为Tensor,shape和 target 相同。否则,为标量。
- 异常:
TypeError - p 或者 target 数据类型不是int。
TypeError - margin 数据类型不是int。
TypeError - reduction 数据类型不是str。
TypeError - input 数据类型不是以下之一:float16、float、float64。
TypeError - weight 和 input 的数据类型不相同。
ValueError - p 的值不是以下之一:1、2。
ValueError - reduction 的值不是以下之一:{"none","sum","mean"}。
ValueError - input 的shape[0]和 target 的shape[0]不相等。
ValueError - input 的shape[1]和 weight 的shape[0]不相等。
ValueError - 如果有以下情形: weight 的维度不是1、 target 的维度不是1、 input 的维度不是2。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, ops >>> inputs = 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) >>> output = ops.multi_margin_loss(inputs, target, weight=weight) >>> print(output) 0.6666667