我有一个多标签问题，正在尝试在TensorFlow中实现排名损失作为自定义损失。(https://arxiv.org/pdf/1312.4894.pdf)

我制作了一个简单的CNN，并在最后添加了一个Sigmoid层来激活，以便每个类别都有独立的分布。
数学公式将标签分为两组，正类和负类。

我的问题是，正确的实现方法是什么？

def ranking_loss(y_true, y_pred):        pos = tf.where(tf.equal(y_true, 1), y_pred, tf.zeros_like(y_pred))    neg = tf.where(tf.equal(y_true, 0), y_pred, tf.zeros_like(y_pred))    loss = tf.maximum(1.0 - tf.math.reduce_sum(pos) + tf.math.reduce_sum(neg), 0.0)    return tf.math.reduce_sum(loss)

结果是，对于每个样本，正类和负类的激活分数是独立求和的。

tr = [1, 0, 0, 1]pr = [0, 0.6, 0.55, 0.9]t =  tf.constant([tr])p =  tf.constant([pr])print(ranking_loss(t, p))tf.Tensor([[0.  0.  0.  0.9]], shape=(1, 4), dtype=float32) #Postf.Tensor([[0.   0.6  0.55 0.  ]], shape=(1, 4), dtype=float32) #Negtf.Tensor(1.2500001, shape=(), dtype=float32) #loss

CNN的精确度、召回率和F1得分表现非常差。
改用标准的二元交叉熵损失后，性能表现良好，这让我认为我的实现可能有问题。

回答：

我认为根据公式，求和的展开方式是错误的，并且tf.math.reduce_sum(pos)和tf.math.reduce_sum(neg)不能直接放入tf.maximum中。我认为，你的示例的公式应展开为：

max(0, 1-0+0.6) + max(0, 1-0+0.55) + max(0, 1-0.9+0.6) + max(0, 1-0.9+0.55) = 4.5

你在评论部分提供的第二个实现看起来对我来说是合理的，并且得到了我预期的结果。然而，让我提供一个替代方案：

def ranking_loss(y_true, y_pred):    y_true_ = tf.cast(y_true, tf.float32)    partial_losses = tf.maximum(0.0, 1 - y_pred[:, None, :] + y_pred[:, :, None])    loss = partial_losses * y_true_[:, None, :] * (1 - y_true_[:, :, None])    return tf.reduce_sum(loss)

这个实现可能会更快。