HingeEmbeddingLoss¶
创建一个 HingeEmbeddingLoss 的可调用类,HingeEmbeddingLoss 计算输入 input 和标签 label(包含 1 和 -1) 间的 hinge embedding loss 损失。
该损失通常用于度量输入 input 和标签 label 是否相似或不相似,例如可以使用 L1 成对距离作为输入 input,通常用于学习非线性嵌入或半监督学习。
对于有 \(n\) 个样本的 mini-batch,该损失函数的数学计算公式如下:
其中,\(x\) 是 input,\(y\) 是 label,\(\Delta\) 是 margin。总的 loss 计算如下:
其中,\(L = \{l_1,\dots,l_N\}^\top\)。
参数¶
margin (float,可选): - 当 label 为 -1 时,该值决定了小于 margin 的 input 才需要纳入 hinge embedding loss 的计算。默认为 1.0 。
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 hinge embedding loss 的均值;设置为'sum'
时,计算 hinge embedding loss 的总和;设置为'none'
时,则返回 hinge embedding loss。name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。
输入¶
返回¶
Tensor,计算 HingeEmbeddingLoss 后的损失值。
形状¶
input (Tensor): - 输入的 Tensor,维度是 [N, *],其中 N 是 batch size, * 是任意数量的额外维度。数据类型为:float32、float64。
label (Tensor): - 标签,维度是 [N, *],与
input
相同,应该只包含 1 和 -1。数据类型为:float32、float64。output (Tensor): - 输入
input
和标签label
间的 hinge embedding loss 损失。如果 reduction 是'none'
,则输出 Loss 的维度为 [N, *],与输入input
相同。如果 reduction 是'mean'
或'sum'
,则输出 Loss 的维度为 [1]。
代码示例¶
import paddle
import paddle.nn as nn
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)
hinge_embedding_loss = nn.HingeEmbeddingLoss(margin=1.0, reduction='none')
loss = hinge_embedding_loss(input, label)
print(loss)
# Tensor([[0., -2., 0.],
# [0., -1., 2.],
# [1., 1., 1.]])
hinge_embedding_loss = nn.HingeEmbeddingLoss(margin=1.0, reduction='mean')
loss = hinge_embedding_loss(input, label)
print(loss)
# Tensor([0.22222222])