hinge_embedding_loss¶

class paddle.nn.functional. hinge_embedding_loss ( input, label, margin=1.0, reduction='mean', name=None ) [源代码] ¶

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：

\[\begin{split}l_n = \begin{cases} x_n, & \text{if}\; y_n = 1,\\ \max \{0, \Delta - x_n\}, & \text{if}\; y_n = -1, \end{cases}\end{split}\]

其中，\(x\) 是 input，\(y\) 是 label，\(\Delta\) 是 margin。总的 loss 计算如下：

\[\begin{split}\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]

其中，\(L = \{l_1,\dots,l_N\}^\top\)。

参数¶

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，Tensor 中的值应该只包含 1 和 -1。数据类型为：float32、float64。

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。

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 []。

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.hinge_embedding_loss(input, label, margin=1.0, reduction='none')
print(loss)
# Tensor([[0., -2., 0.],
#         [0., -1., 2.],
#         [1., 1., 1.]])

loss = F.hinge_embedding_loss(input, label, margin=1.0, reduction='mean')
print(loss)
# Tensor(0.22222222)

         