mindspore.ops.multi_label_margin_loss

mindspore.ops.multi_label_margin_loss(inputs, target, reduction='mean')[源代码]

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 \(x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}\), \(y \in \left\{0, \; \cdots , \; \text{y.size}(0) - 1\right\}\), \(0 \leq y[j] \leq \text{x.size}(0)-1\), 并且 \(i \neq y[j]\) 对于所有 \(i\) and \(j\)\(y\)\(x\) 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 \((C)\)\((N, C)\),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 inputstarget 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]]))