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