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 \(j\) 。 \(y\) 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]]))