SoftMarginloss

class paddle.nn. SoftMarginloss ( (reduction='mean', name=None )

生成一个可以计算输入 input 和 label 间的二分类损失的类。

损失函数按照下列公式计算

\[\text{loss}(x, y) = \sum_i \frac{\log(1 + \exp(-y[i]*x[i]))}{\text{x.nelement}()}\]

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

  • 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) - 操作的名称（可选，默认值为 None）。更多信息请参见 Name 。

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 \([1]\) 。

返回

返回计算 SoftMarginLoss 的可调用对象。

代码示例

import paddle

input = paddle.to_tensor([[0.5, 0.6, 0.7],[0.3, 0.5, 0.2]], 'float32')
label = paddle.to_tensor([[1.0, -1.0, 1.0],[-1.0, 1.0, 1.0]], 'float32')
soft_margin_loss = paddle.nn.SoftMarginLoss()
output = soft_margin_loss(input, label)
print(output)
# Tensor(shape=[1], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [0.64022040])

input_np = paddle.uniform(shape=(5, 5), min=0.1, max=0.8, dtype="float64")
label_np = paddle.randint(high=2, shape=(5, 5), dtype="int64")
label_np[label_np==0]=-1
input = paddle.to_tensor(input_np)
label = paddle.to_tensor(label_np)
soft_margin_loss = paddle.nn.SoftMarginLoss(reduction='none')
output = soft_margin_loss(input, label)
print(output)
# Tensor(shape=[5, 5], dtype=float64, place=Place(gpu:0), stop_gradient=True,
#        [[0.61739663, 0.51405668, 1.09346100, 0.42385561, 0.91602303],
#         [0.76997038, 1.01977148, 0.98971722, 1.13976032, 0.88152088],
#         [0.55476735, 1.10505384, 0.89923519, 0.45018155, 1.06587511],
#         [0.37998142, 0.48067240, 0.47791212, 0.55664053, 0.98581399],
#         [0.78571653, 0.59319711, 0.39701841, 0.76172109, 0.83781742]])