文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.multi_label_margin_loss

mindspore.ops.multi_label_margin_loss(inputs, target, reduction='mean')

用于优化多标签分类问题的铰链损失。

创建一个标准，用于优化输入 $x$ （一个2D小批量Tensor） 和输出 $y$ （一个目标类别索引的2DTensor）之间的多标签分类铰链损失（基于边距的损失）： 对于每个小批量样本：

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

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 $i\ne y[j]$ 对于所有 $i$ and $j$ 。 $y$ 和 $x$ shape必须相同。 该标准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：

• inputs (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) - 真实标签，shape与 inputs 相同，数据类型必须为int32，标签目标由-1填充。

• reduction (str, 可选) - 可选，对输出应用特定的缩减方法：可选”none”、”mean”、”sum”。默认值：’mean’。

  • ‘none’：不应用缩减方法。

  • ‘mean’：输出的值总和除以输出的元素个数。

  • ‘sum’：输出的总和。

返回：

• outputs (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 inputs 或者 target 数据不是Tensor时。

• TypeError - 当 inputs 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 inputs 的数据维度不是以下其中之一时：1、2。

• ValueError - 当 inputs 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：

>>> inputs = Tensor(np.array([[0.1, 0.2, 0.4, 0.8], [0.2, 0.3, 0.5, 0.7]]), mindspore.float32)
>>> target = Tensor(np.array([[1, 2, 0, 3], [2, 3, -1, 1]]), mindspore.int32)
>>> output, _ = ops.multi_label_margin_loss(inputs, target)
>>> print(output)
(Tensor(shape=[], dtype=Float32, value= 0.325), Tensor(shape=[2, 4], dtype=Int32, value=
[[1, 1, 1, 1], [0, 0, 1, 1]]))