soft_margin_loss¶
计算输入 input 和 label 间的二分类损失。
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¶
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。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 。
返回¶
输出的结果 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
>>> paddle.seed(2023)
>>> 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')
>>> output = paddle.nn.functional.soft_margin_loss(input, label)
>>> print(output)
Tensor(shape=[], dtype=float32, place=Place(cpu), stop_gradient=True,
0.64022040)
>>> input = paddle.uniform(shape=(5, 5), dtype="float32", min=0.1, max=0.8)
>>> label = paddle.randint(0, 2, shape=(5, 5), dtype="int64")
>>> label[label==0] = -1
>>> output = paddle.nn.functional.soft_margin_loss(input, label, reduction='none')
>>> print(output)
Tensor(shape=[5, 5], dtype=float32, place=Place(cpu), stop_gradient=True,
[[1.10725629, 0.48778144, 0.56217247, 1.12581408, 0.51430041],
[0.90375793, 0.37761253, 0.43007556, 0.95089805, 0.43288314],
[1.16043591, 0.63015938, 0.51362717, 0.43617544, 0.57783306],
[0.81927848, 0.52558368, 0.59713912, 0.83100700, 0.50811619],
[0.82684207, 1.02064908, 0.50296998, 1.13461733, 0.93222517]])