mindspore.ops.multilabel_soft_margin_loss

mindspore.ops.multilabel_soft_margin_loss(input, target, weight=None, reduction='mean')[源代码]

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，其中输入样本可以属于多个目标类别。给定输入 $i n p u t$ 和二元标签 $o u t p u t$ ，其shape为 $(N, C)$ ， $N$ 表示样本数量， $C$ 表示样本类别数，损失计算公式如下：

loss (input, output) = - \frac{1}{N} \frac{1}{C} \sum_{i = 1}^{N} \sum_{j = 1}^{C} (o u t p u t_{i j} \log \frac{1}{1 + e^{- i n p u t_{i j}}} + (1 - o u t p u t_{i j}) \log \frac{e^{- i n p u t_{i j}}}{1 + e^{- i n p u t_{i j}}})

其中， $i n p u t_{i j}$ 表示样本 $i$ 在 $j$ 类别的概率得分。 $o u t p u t_{i j}$ 表示样本 $i$ 是否属于类别 $j$ ，当 $o u t p u t_{i j} = 1$ 时表示属于，为0时表示不属于。对于多标签分类任务，每个样本可以属于多个类别，即标签 $o u t p u t$ 中可以含有多个1。如果 weight 不为None，将会和每个分类的loss相乘。

参数：

input (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 input 的相同。
weight (Union[Tensor, int, float]，可选) - 每个类别的缩放权重。默认 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 '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：

Tensor，数据类型和 input 相同。如果 reduction 为 'none' ，其shape为 $(N)$ 。否则，其shape为0。

支持平台：

Ascend GPU CPU

样例：

>>> from mindspore import Tensor, ops
>>> input = Tensor([[0.3, 0.6, 0.6], [0.9, 0.4, 0.2]])
>>> target = Tensor([[0.0, 0.0, 1.0], [0.0, 0.0, 1.0]])
>>> loss = ops.multilabel_soft_margin_loss(input, target, reduction='mean')
>>> print(loss.asnumpy())
0.84693956