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。

提交

文档反馈

mindspore.ops.triplet_margin_loss

mindspore.ops.triplet_margin_loss(anchor, positive, negative, margin=1.0, p=2, eps=1e-06, swap=False, reduction='mean')

三元组损失函数。 详情请查看 mindspore.nn.TripletMarginLoss 。

参数：

• anchor (Tensor) - 从训练集随机选取的样本。数据类型为BasicType。

• positive (Tensor) - 与 anchor 为同一类的样本，数据类型与shape与 anchor 一致。

• negative (Tensor) - 与 anchor 为异类的样本，数据类型与shape与 anchor 一致。

• margin (float，可选) - 用于拉进 anchor 和 positive 之间的距离，拉远 anchor 和 negative 之间的距离。默认值： 1.0 。

• p (int，可选) - 成对距离的范数。默认值： 2 。

• eps (float，可选) - 防止除数为 0。默认值： 1e-06 。

• swap (bool，可选) - 距离交换。默认值： False 。

• 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。

返回：

Tensor。如果 reduction 为 "none" ，其shape为 $(N)$。否则，将返回Scalar。

异常：

• TypeError - anchor 、 positive 或者 negative 不是Tensor。

• TypeError - anchor 、 positive 或者 negative 的数据类型不一致。

• TypeError - margin 的数据类型不是float。

• TypeError - p 的数据类型不是int。

• TypeError - eps 的数据类型不是float。

• TypeError - swap 的数据类型不是bool。

• ValueError - anchor 、 positive 和 negative 的维度同时小于等于1。

• ValueError - anchor 、 positive 或 negative 的维度大于等于8。

• ValueError - anchor 、 positive 和 negative 三者之间的shape无法广播。

• ValueError - reduction 不为”mean”、”sum”或”none”。

支持平台：

GPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> anchor = Tensor(np.array([[0.3, 0.7], [0.5, 0.5]]), mindspore.float32)
>>> positive = Tensor(np.array([[0.4, 0.6], [0.4, 0.6]]), mindspore.float32)
>>> negative = Tensor(np.array([[0.2, 0.9], [0.3, 0.7]]), mindspore.float32)
>>> output = ops.triplet_margin_loss(anchor, positive, negative)
>>> print(output)
0.8881968