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 \([1]\) 。
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')
output = paddle.nn.functional.soft_margin_loss(input, label)
print(output)
# Tensor(shape=[1], dtype=float32, place=Place(gpu:0), 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(gpu:0), stop_gradient=True,
# [[1.09917796, 0.52613139, 0.56263304, 0.82736146, 0.38776723],
# [1.07179427, 1.11924267, 0.49877715, 1.10026348, 0.46184641],
# [0.84367639, 0.74795729, 0.44629076, 0.55123353, 0.77659678],
# [0.39465919, 0.76651484, 0.54485321, 0.76609844, 0.77166790],
# [0.51283568, 0.84757161, 0.78913331, 1.05268764, 0.45318675]])