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.nn.MultiLabelSoftMarginLoss

class mindspore.nn.MultiLabelSoftMarginLoss(weight=None, reduction='mean')

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 $x$ 和二元标签 $y$ ，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：

$$\mathcal{loss}(\mathcal{x}\mathcal{,}\mathcal{y})=-\frac{1}{N}\frac{1}{C}\sum _{i=1}^N\sum _{j=1}^C(y_{ij}\log \frac{1}{1+e^{-x_{ij}}}+(1-y_{ij})\log \frac{e^{-x_{ij}}}{1+e^{-x_{ij}}})$$

其中 $xij$ 表示样本 $i$ 在 $j$ 类别的概率得分。 $yij$ 表示样本 $i$ 是否属于类别 $j$ ， $yij=1$ 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：

• 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' 。

输入：

• x (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 x 的相同。

输出：

Tensor，数据类型和 x 相同。如果 reduction 为”none”，其shape为(N)。否则，其shape为0。

异常：

• ValueError - x 或 target 的维度不等于2。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> x = ms.Tensor([[0.3, 0.6, 0.6], [0.9, 0.4, 0.2]])
>>> target = ms.Tensor([[0.0, 0.0, 1.0], [0.0, 0.0, 1.0]])
>>> loss = nn.MultiLabelSoftMarginLoss(reduction='mean')
>>> out = loss(x, target)
>>> print(out.asnumpy())
0.84693956