苏州网站建设制作方案/sem 优化软件

PyTorch学习笔记：nn.MarginRankingLoss——排序损失

torch.nn.MarginRankingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')

功能：创建一个排序损失函数，用于衡量输入$x_1$与$x_2$之间的排序损失(Ranking Loss)，输入的第三个参数$y$控制顺序还是逆序，因此$y$的取值范围为y∈{1,−1}y\in\{1,-1\}y∈{1,−1}。

损失函数：
$$loss(x_1,x_2,y)=\max (0,-y\ast (x_1-x_2)+\text{margin})$$
当期望$x_1>x_2$，即排序为顺序时，应该传入$y=1$；当期望$x_1<x_2$，即排序为逆序时，应该传入$y=-1$。

输入：

• margin：差额值，具体用法如公式所示，如果该值越大，则表示期望$x_1$与$x_2$越远，即差额越大。输入数据类型为float，默认为0；
• size_average与reduce已被弃用，具体功能由reduction替代
• reduction：指定损失输出的形式，有三种选择：none|mean|sum。none：损失不做任何处理，直接输出一个数组；mean：将得到的损失求平均值再输出，会输出一个数；sum：将得到的损失求和再输出，会输出一个数

注意：

• 输入的$x_1$、$x_2$与$y$必须是一维的数据，并且三个数据长度必须一致，数据长度表示$batch$大小

代码案例

一般用法

import torch
import torch.nn as nn# reduction设为none便于查看每个位置损失计算的结果
rankloss = nn.MarginRankingLoss(reduction='none')
x1 = torch.randn(10)
x2 = torch.randn(10)
# 随机生成10个0,1数据
y = torch.randint(0, 2, [10])
# 将y中数据为0的位置赋值为-1
y[y==0] = -1
loss = rankloss(x1, x2, y)
print(x1)
print(x2)
print(y)
print(loss)

输出

# x1
tensor([-1.2248, -1.4788,  0.1703,  0.1072, -0.2147,  0.7527, -1.2443,  0.8361, 0.3679,  0.5935])
# x2
tensor([-0.3616, -0.0333,  0.8483,  0.9880,  0.6980, -0.5157,  0.1767,  0.2060, -0.4908,  1.1774])
# y
tensor([ 1, -1,  1, -1,  1, -1,  1, -1,  1, -1])
# 对应位置的损失计算结果
tensor([0.8631, 0.0000, 0.6780, 0.0000, 0.9127, 1.2684, 1.4210, 0.6301, 0.0000, 0.0000])

官方文档

nn.MarginRankingLoss：https://pytorch.org/docs/stable/generated/torch.nn.MarginRankingLoss.html#torch.nn.MarginRankingLoss

初步完稿于：2022年2月6日