比较与torch.nn.TripletMarginLoss的差异

查看源文件

以下映射关系均可参考本文。

PyTorch APIs

MindSpore APIs

torch.nn.TripletMarginLoss

mindspore.nn.TripletMarginLoss

torch.functional.triplet_margin_loss

mindspore.ops.triplet_margin_loss

torch.nn.TripletMarginLoss

torch.nn.TripletMarginLoss(
    margin=1.0,
    p=2.0,
    eps=1e-06,
    swap=False,
    size_average=None,
    reduce=None,
    reduction='mean'
)(anchor, positive, negative) -> Tensor/Scalar

更多内容详见torch.nn.TripletMarginLoss

mindspore.nn.TripletMarginLoss

mindspore.nn.TripletMarginLoss(
    p=2,
    swap=False,
    eps=1e-06,
    reduction='mean'
)(margin, x, positive, negative) -> Tensor/Scalar

更多内容详见mindspore.nn.TripletMarginLoss

差异对比

MindSpore此API功能与PyTorch一致。

PyTorch:

  • PyTorch的接口有两个初始化参数 size_averagereduce 。这两个参数已被弃用,并使用 reduction 取代。

  • margin 是一个初始化参数,而不是输入参数。其数据类型是float。

MindSpore:

  • PyTorch的接口没有初始化参数 size_averagereduce

  • margin 不是初始化参数,而是输入参数。其数据类型可以是tensor或float。

  • MindSpore的输入参数 x 对应PyTorch的输入参数 anchor

  • MindSpore的初始化参数 swapeps 位置顺序和PyTorch不同。

分类

子类

PyTorch

MindSpore

差异

参数

参数 1

margin

-

位置不同,功能一致。数据类型是float。

参数 2

p

p

-

参数 3

eps

swap

位置不同,功能一致。

参数 4

swap

eps

位置不同,功能一致。

参数 5

size_average

-

PyTorch已弃用该参数,MindSpore没有该参数。

参数 6

reduce

-

PyTorch已弃用该参数,MindSpore没有该参数。

参数 7

reduction

reduction

-

输入

输入 1

-

margin

位置不同,功能一致。数据类型是tensor或float。

输入 2

anchor

x

功能一致,参数名不同。

输入 3

positive

positive

-

输入 4

negative

negative

-

代码示例

# PyTorch
import torch
import torch.nn as nn
import numpy as np

p = 2
swap = False
eps = 1e-06
reduction = 'mean'
margin = 1.0
triplet_margin_loss = nn.TripletMarginLoss(margin=margin, p=p, eps=eps, swap=swap, reduction=reduction)

x = torch.tensor(np.array([[0.3, 0.7], [0.5, 0.5]]), dtype=torch.float32)
positive = torch.tensor(np.array([[0.4, 0.6], [0.4, 0.6]]), dtype=torch.float32)
negative = torch.tensor(np.array([[0.2, 0.9], [0.3, 0.7]]), dtype=torch.float32)
output = triplet_margin_loss(x, positive, negative)
print(output)
# tensor(0.8882)

# MindSpore
import mindspore as ms
import mindspore.nn as nn
import numpy as np

p = 2
swap = False
eps = 1e-06
reduction = 'mean'
triplet_margin_loss = nn.TripletMarginLoss(p=p, swap=swap, eps=eps, reduction=reduction)

x = ms.Tensor(np.array([[0.3, 0.7], [0.5, 0.5]]), dtype=ms.float32)
positive = ms.Tensor(np.array([[0.4, 0.6], [0.4, 0.6]]), dtype=ms.float32)
negative = ms.Tensor(np.array([[0.2, 0.9], [0.3, 0.7]]), dtype=ms.float32)
margin = ms.Tensor(1.0, ms.float32)
output = triplet_margin_loss(x, positive, negative, margin)
print(output)
# 0.8881968