mindspore.nn.MultiMarginLoss
- class mindspore.nn.MultiMarginLoss(p=1, margin=1.0, reduction='mean', weight=None)[源代码]
多分类场景下用于计算 \(x\) 和 \(y\) 之间的合页损失（Hinge Loss），其中 x 为一个2-D Tensor，y 为一个表示类别索引的1-D Tensor， \(0 \leq y \leq \text{x.size}(1)-1\)。
对于每个小批量样本，1D输入 \(x\) 和标量 \(y\) 的损失为：
\[\text{loss}(x, y) = \frac{\sum_i \max(0, w[y] * (\text{margin} - x[y] + x[i]))^p}{\text{x.size}(0)}\]其中 \(x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}\) 并且 \(i \neq y\)。
- 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 (float, 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。
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。默认值：
None，表示各个类别权重相同。
- 输入：
x (Tensor) - shape为 \((N, C)\)。数据类型只支持float32、float16或float64。即上述公式中的 \(x\) 。
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。 target 即上述公式中的 \(y\) 。
- 输出：
Tensor，当 reduction 为
'none'时，类型为Tensor，shape为 \((N,)\)，和 target 相同。否则为标量Tensor。- 异常：
TypeError - p 或者 target 数据类型不是int。
TypeError - margin 数据类型不是int。
TypeError - reduction 数据类型不是str。
TypeError - x 数据类型不是以下之一：float16、float、float64。
TypeError - weight 和 x 的数据类型不相同。
ValueError - p 的值不是以下之一：1、2。
ValueError - reduction 的值不是以下之一：{
'none','sum','mean'}。ValueError - x 的shape[0]和 target 的shape[0]不相等。
ValueError - x 的shape[1]和 weight 的shape[0]不相等。
ValueError - 如果 weight 的维度不是1。
ValueError - 如果 x 的维度不是2或 target 的维度不是1。
- 支持平台：
AscendGPUCPU
样例：
>>> import mindspore as ms >>> import mindspore.nn as nn >>> import numpy as np >>> x = ms.Tensor(np.ones(shape=[3, 3]), ms.float32) >>> target = ms.Tensor(np.array([1, 2, 1]), ms.int64) >>> loss = nn.MultiMarginLoss() >>> output = loss(x, target) >>> print(output) 0.6666667