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：

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

其中 \(x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}\), \(y \in \left\{0, \; \cdots , \; \text{y.size}(0) - 1\right\}\), \(0 \leq y[j] \leq \text{x.size}(0)-1\), 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