mindspore.nn.MultiLabelSoftMarginLoss

class mindspore.nn.MultiLabelSoftMarginLoss(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 \(x\) 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：

\[\mathcal{loss\left( x , y \right)} = - \frac{1}{N}\frac{1}{C}\sum_{i = 1}^{N} \sum_{j = 1}^{C}\left(y_{ij}\log\frac{1}{1 + e^{- x_{ij}}} + \left( 1 - y_{ij} \right)\log\frac{e^{-x_{ij}}}{1 + e^{-x_{ij}}} \right)\]

其中 \(x_{ij}\) 表示样本 \(i\) 在 \(j\) 类别的概率得分。 \(y_{ij}\) 表示样本 \(i\) 是否属于类别 \(j\) ， \(y_{ij}=1\) 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，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"：计算输出元素的加权平均值。
- "sum"：计算输出元素的总和。

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