margin_ranking_loss

paddle.nn.functional. margin_ranking_loss ( input, other, label, margin=0.0, reduction='mean', name=None ) [源代码]

计算输入 input,other 和 标签 label 间的 margin rank loss 损失。该损失函数的数学计算公式如下:

\[margin\_rank\_loss = max(0, -label * (input - other) + margin)\]

reduction 设置为 'mean' 时,

\[Out = MEAN(margin\_rank\_loss)\]

reduction 设置为 'sum' 时,

\[Out = SUM(margin\_rank\_loss)\]

reduction 设置为 'none' 时,直接返回最原始的 margin_rank_loss

参数

  • input (Tensor) - 第一个输入的 Tensor,数据类型为:float32、float64。

  • other (Tensor) - 第二个输入的 Tensor,数据类型为:float32、float64。

  • label (Tensor) - 训练数据的标签,数据类型为:float32、float64。

  • margin (float,可选) - 用于加和的 margin 值,默认值为 0。

  • reduction (string,可选) - 指定应用于输出结果的计算方式,可选值有:'none''mean''sum'。如果设置为 'none',则直接返回 最原始的 margin_rank_loss。如果设置为 'sum',则返回 margin_rank_loss 的总和。如果设置为 'mean',则返回 margin_rank_loss 的平均值。默认值为 'none'

  • name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。

返回

Tensor,如果 reduction'sum' 或者是 'mean',则形状为 \([]\),否则 shape 和输入 input 保持一致。数据类型与 inputother 相同。

代码示例

>>> import paddle

>>> input = paddle.to_tensor([[1, 2], [3, 4]], dtype='float32')
>>> other = paddle.to_tensor([[2, 1], [2, 4]], dtype='float32')
>>> label = paddle.to_tensor([[1, -1], [-1, -1]], dtype='float32')
>>> loss = paddle.nn.functional.margin_ranking_loss(input, other, label)
>>> print(loss)
Tensor(shape=[], dtype=float32, place=Place(cpu), stop_gradient=True,
        0.75000000)