文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

文档反馈

mindspore.nn.MultilabelMarginLoss

class mindspore.nn.MultilabelMarginLoss(reduction='mean')[源代码]

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。

对于每个小批量样本，loss值根据如下公式计算：

loss (x, y) = \sum_{i j} \frac{max (0, 1 - (x [y [j]] - x [i]))}{x.size (0)}

其中 $x \in {0, \dots, x.size (0) - 1}$ , $y \in {0, \dots, y.size (0) - 1}$ , $0 \leq y [j] \leq x.size (0) - 1$ , 并且对于所有 $i$ 和 $j$ ， $i$ 不等于 $y [j]$ 。

$y$ 和 $x$ shape必须相同。

说明

该算子仅考虑从前方开始的连续非负目标块。这允许不同的样本具有不同数量的目标类别。

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) - 目标值，shape与 x 相同，数据类型必须为int32，标签目标值由-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。

异常：

TypeError - 当 x 或者 target 数据不是Tensor时。
TypeError - 当 x 数据类型不是以下其中之一时：float16、float32。
TypeError - 当 target 数据类型不是int32时。
ValueError - 当 x 的数据维度不是以下其中之一时：1、2。
ValueError - 当 x 和 target 的shape不相同时。
ValueError - 当 reduction 的值不是以下其中之一时： "none" 、 "mean" 、 "sum" 。

支持平台：

Ascend GPU

样例：

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> import numpy as np
>>> loss = nn.MultilabelMarginLoss()
>>> x = ms.Tensor(np.array([[0.1, 0.2, 0.4, 0.8], [0.2, 0.3, 0.5, 0.7]]), ms.float32)
>>> target = ms.Tensor(np.array([[1, 2, 0, 3], [2, 3, -1, 1]]), ms.int32)
>>> output = loss(x, target)
>>> print(output)
0.325