mindspore.ops.MultiMarginLoss

class mindspore.ops.MultiMarginLoss(p=1, margin=1.0, reduction='mean')[源代码]

创建一个损失函数，用于优化输入和输出之间的多分类合页损失。

警告

这是一个实验性API，后续可能修改或删除。

更多参考详见 mindspore.ops.multi_margin_loss()。

参数：

  • 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： 1.0 。

  • 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：

  • inputs (Tensor) - 输入，shape为 \((N, C)\)。数据类型只支持float32、float16或float64。

  • 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。

  • 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。

输出：

Tensor，当 reduction 为"none"时，shape为 \((N,)\)。否则，为标量。类型与 inputs 相同。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> x = 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)
>>> loss = ops.MultiMarginLoss()
>>> output = loss(x, target, weight)
>>> print(output)
0.6666667