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.ops.multilabel_soft_margin_loss

mindspore.ops.multilabel_soft_margin_loss(input, target, 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 $i n p u t$ 和二元标签 $o u t p u t$ ，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：

loss (input, output) = - \frac{1}{N} \frac{1}{C} \sum_{i = 1}^{N} \sum_{j = 1}^{C} (o u t p u t_{i j} \log \frac{1}{1 + e^{- i n p u t_{i j}}} + (1 - o u t p u t_{i j}) \log \frac{e^{- i n p u t_{i j}}}{1 + e^{- i n p u t_{i j}}})

其中 $i n p u t_{i j}$ 表示样本 $i$ 在 $j$ 类别的概率得分。 $o u t p u t_{i j}$ 表示样本 $i$ 是否属于类别 $j$ ， $o u t p u t_{i j} = 1$ 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 $o u t p u t$ 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：

input (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 input 的相同。
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。

返回：

Tensor，数据类型和 input 相同。如果 reduction 为 'none' ，其shape为 $(N)$ 。否则，其shape为0。

支持平台：

Ascend GPU CPU

样例：

>>> from mindspore import Tensor, ops
>>> input = Tensor([[0.3, 0.6, 0.6], [0.9, 0.4, 0.2]])
>>> target = Tensor([[0.0, 0.0, 1.0], [0.0, 0.0, 1.0]])
>>> loss = ops.multilabel_soft_margin_loss(input, target, reduction='mean')
>>> print(loss.asnumpy())
0.84693956