mindspore.ops.multi_margin_loss

mindspore.ops.multi_margin_loss(input, target, p=1, margin=1, weight=None, reduction='mean')[源代码]

用于优化多分类问题的合页损失。

优化输入和输出之间的多级分类合页损耗(基于边缘损失)。

对于每个小批量样本,1D输入 \(x\) 和标量输出 \(y\) 的损失为:

\[\text{loss}(x, y) = \frac{\sum_i \max(0, \text{margin} - x[y] + x[i])^p}{\text{x.size}(0)}\]

其中 \(i\in \{0,⋯,x.size(0)−1\}\) 并且 \(i \ne y\)

参数:
  • input (Tensor) - 输入,shape为 \((N, C)\)。数据类型只支持float32、float16或float64。即上述公式中的 \(x\)

  • target (Tensor) - 真实标签,shape为 \((N,)\)。数据类型只支持int64。值应为非负值,且小于C。即上述公式中的 \(y\)

  • p (int, 可选) - 对偶距离的范数度。必须为1或2。默认值: 1

  • margin (int, 可选) - 改变对偶距离的参数。默认值: 1

  • weight (Tensor, 可选) - 每个类别的缩放权重,shape为 \((C,)\)。数据类型只支持float32、float16或float64。默认值: None

  • reduction (str, 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 - 当 reduction 为”none”时,类型为Tensor,shape和 target 相同。否则,为标量。

异常:
  • TypeError - p 或者 target 数据类型不是int。

  • TypeError - margin 数据类型不是int。

  • TypeError - reduction 数据类型不是str。

  • TypeError - input 数据类型不是以下之一:float16、float、float64。

  • TypeError - weightinput 的数据类型不相同。

  • ValueError - p 的值不是以下之一:1、2。

  • ValueError - reduction 的值不是以下之一:{“none”,”sum”,”mean”}。

  • ValueError - input 的shape[0]和 target 的shape[0]不相等。

  • ValueError - input 的shape[1]和 weight 的shape[0]不相等。

  • ValueError - 如果有以下情形: weight 的维度不是1、 target 的维度不是1、 input 的维度不是2。

支持平台:

Ascend GPU CPU

样例:

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> inputs = Tensor(np.ones(shape=[3, 3]), mindspore.float32)
>>> target = Tensor(np.array([1, 2, 1]), mindspore.int64)
>>> weight = Tensor(np.array([1, 1, 1]), mindspore.float32)
>>> output = ops.multi_margin_loss(inputs, target, weight=weight)
>>> print(output)
0.6666667