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,输入样本可以属于多个目标类别。 给定输入 \(input\) 和二元标签 \(output\) ,其shape为 \((N,C)\)\(N\) 表示样本数量, \(C\) 为样本类别数,损失计算公式如下:

\[\mathcal{loss\left( input , output \right)} = - \frac{1}{N}\frac{1}{C}\sum_{i = 1}^{N} \sum_{j = 1}^{C}\left(output_{ij}\log\frac{1}{1 + e^{- input_{ij}}} + \left( 1 - output_{ij} \right)\log\frac{e^{-input_{ij}}}{1 + e^{-input_{ij}}} \right)\]

其中 \(input_{ij}\) 表示样本 \(i\)\(j\) 类别的概率得分。 \(output_{ij}\) 表示样本 \(i\) 是否属于类别 \(j\)\(output_{ij}=1\) 时属于,为0时不属于。对于多标签分类任务,每个样本可以属于多个类别,即标签 \(output\) 中含有多个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]) - 每个类别的缩放权重。默认值:None。

  • reduction (str) - 指定应用于输出结果的计算方式。取值为”mean”,”sum”,或”none”。默认值:”mean”。

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。

异常:
  • ValueError - inputtarget 的维度不等于2。

支持平台:

Ascend GPU CPU

样例:

>>> 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