mindspore.ops.MultilabelMarginLoss

class mindspore.ops.MultilabelMarginLoss(reduction='mean')

创建一个损失函数，用于最小化多分类任务的合页损失。 它以一个2D mini-batch Tensor \(x\) 作为输入，以包含目标类索引的2D Tensor \(y\) 作为输出。

更多细节请参考 mindspore.ops.multilabel_margin_loss() 。

参数：

• reduction (str，可选) - 指定应用于输出结果的规约计算方式，可选 'none' 、 'mean' 、 'sum' ，默认值： 'mean' 。

  • "none"：不应用规约方法。

  • "mean"：计算输出元素的平均值。

  • "sum"：计算输出元素的总和。

输入：

• x (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 input 相同，数据类型必须为int32，标签目标由-1填充。

输出：

• y (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。

• is_target (Tensor) - 用于反向输入的Tensor，其shape与 target 一致，数据类型为int32。

支持平台：

Ascend GPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> loss = ops.MultilabelMarginLoss()
>>> x = 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 = loss(x, 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]]))