multi_label_soft_margin_loss¶

paddle.nn.functional. multi_label_soft_margin_loss ( input, label, weight=None, reduction='mean', name=None ) [源代码] ¶

计算输入 input 和 label 间的 margin-based loss 损失。

损失函数按照下列公式计算

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

如果添加权重则再乘以对应的权重值

最后，添加 reduce 操作到前面的输出 Out 上。当 reduction 为 none 时，直接返回最原始的 Out 结果。当 reduction 为 mean 时，返回输出的均值 \(Out = MEAN(Out)\) 。当 reduction 为 sum 时，返回输出的求和 \(Out = SUM(Out)\) 。

参数¶

input (Tensor) - \([N, *]\) , 其中 N 是 batch_size， * 是任意其他维度。数据类型是 float32、float64。

label (Tensor) - \([N, *]\) , 标签 label 的维度、数据类型与输入 input 相同。

weight (Tensor，可选) - 手动设定权重，默认为 None

reduction (str，可选) - 指定应用于输出结果的计算方式，可选值有: 'none'， 'mean'， 'sum' 。默认为 'mean'，计算 Loss 的均值；设置为 'sum' 时，计算 Loss 的总和；设置为 'none' 时，则返回原始 Loss。

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

形状¶

input (Tensor) - \([N, *]\) , 其中 N 是 batch_size， * 是任意其他维度。数据类型是 float32、float64。

label (Tensor) - \([N, *]\) ，标签 label 的维度、数据类型与输入 input 相同。

output (Tensor) - 输出的 Tensor。如果 reduction 是 'none', 则输出的维度为 \([N, *]\) , 与输入 input 的形状相同。如果 reduction 是 'mean' 或 'sum'，则输出的维度为 \([]\) 。

返回¶

输出的 Tensor。如果 reduction 是 'none', 则输出的维度为 \([N, *]\) ，与输入 input 的形状相同。如果 reduction 是 'mean' 或 'sum'`，则输出的维度为 \([]\) 。

代码示例¶

          >>> import paddle
>>> import paddle.nn.functional as F
>>> input = paddle.to_tensor([[1, -2, 3], [0, -1, 2], [1, 0, 1]], dtype=paddle.float32)
>>> # label elements in {1., -1.}
>>> label = paddle.to_tensor([[-1, 1, -1], [1, 1, 1], [1, -1, 1]], dtype=paddle.float32)
>>> loss = F.multi_label_soft_margin_loss(input, label, reduction='none')
>>> print(loss)
Tensor(shape=[3], dtype=float32, place=Place(cpu), stop_gradient=True,
       [3.49625897, 0.71111226, 0.43989015])
>>> loss = F.multi_label_soft_margin_loss(input, label, reduction='mean')
>>> print(loss)
Tensor(shape=[], dtype=float32, place=Place(cpu), stop_gradient=True,
       1.54908717)

         