Pytorch⼗九种损失函数的使⽤详解
损失函数通过包实现，
1 基本⽤法
criterion = LossCriterion() #构造函数有⾃⼰的参数
loss = criterion(x, y) #调⽤标准时也有参数
2 损失函数
2-1 L1范数损失 L1Loss
计算 output 和 target 之差的绝对值。
参数：
reduction-三个值，none: 不使⽤约简；mean：返回loss和的平均值； sum：返回loss的和。默认：mean。
2-2 均⽅误差损失 MSELoss
计算 output 和 target 之差的均⽅差。
参数：
reduction-三个值，none: 不使⽤约简；mean：返回loss和的平均值； sum：返回loss的和。默认：mean。
2-3 交叉熵损失 CrossEntropyLoss
当训练有 C 个类别的分类问题时很有效. 可选参数 weight 必须是⼀个1维 Tensor, 权重将被分配给各个类别. 对于不平衡的训练集⾮常有效。
在多分类任务中，经常采⽤ softmax 激活函数+交叉熵损失函数，因为交叉熵描述了两个概率分布的差异，然⽽神经⽹络输出的是向量，并不是概率分布的形式。所以需要 softmax激活函数将⼀个向量进⾏“归⼀化”成概率分布的形式，再采⽤交叉熵损失函数计算 loss。
参数：
weight (Tensor, optional) – ⾃定义的每个类别的权重. 必须是⼀个长度为 C 的 Tensor
ignore_index (int, optional) – 设置⼀个⽬标值, 该⽬标值会被忽略, 从⽽不会影响到输⼊的梯度。
python trunc函数reduction-三个值，none: 不使⽤约简；mean：返回loss和的平均值； sum：返回loss的和。默认：mean。
2-4 KL 散度损失 KLDivLoss
计算 input 和 target 之间的 KL 散度。KL 散度可⽤于衡量不同的连续分布之间的距离, 在连续的输出分布的空间上(离散采样)上进⾏直接回归时很有效.
参数：
reduction-三个值，none: 不使⽤约简；mean：返回loss和的平均值； sum：返回loss的和。默认：mean。
2-5 ⼆进制交叉熵损失 BCELoss
⼆分类任务时的交叉熵计算函数。⽤于测量重构的误差, 例如⾃动编码机. 注意⽬标的值 t[i] 的范围为0到1之间.
参数：
weight (Tensor, optional) – ⾃定义的每个 batch 元素的 loss 的权重. 必须是⼀个长度为 “nbatch” 的的 Tensor
pos_weight(Tensor, optional) – ⾃定义的每个正样本的 loss 的权重. 必须是⼀个长度为 “classes” 的 Tensor
2-6 BCEWithLogitsLoss
BCEWithLogitsLoss损失函数把 Sigmoid 层集成到了 BCELoss 类中. 该版⽐⽤⼀个简单的 Sigmoid 层和 BCELoss 在数值上更稳定, 因为把这两个操作合并为⼀个层之后, 可以利⽤ log-sum-exp 的技巧来实现数值稳定.
参数：
weight (Tensor, optional) – ⾃定义的每个 batch 元素的 loss 的权重. 必须是⼀个长度为 “nbatch” 的 Tensor
pos_weight(Tensor, optional) – ⾃定义的每个正样本的 loss 的权重. 必须是⼀个长度为 “classes” 的 Tensor
2-7 MarginRankingLoss
对于 mini-batch(⼩批量) 中每个实例的损失函数如下:
参数：
margin：默认值0
2-8 HingeEmbeddingLoss
对于 mini-batch(⼩批量) 中每个实例的损失函数如下:
参数：
margin：默认值1
2-9 多标签分类损失 MultiLabelMarginLoss
对于mini-batch(⼩批量) 中的每个样本按如下公式计算损失:
2-10 平滑版L1损失 SmoothL1Loss
也被称为 Huber 损失函数。
其中
2-11 2分类的logistic损失 SoftMarginLoss
2-12 多标签 one-versus-all 损失 MultiLabelSoftMarginLoss
2-13 cosine 损失 CosineEmbeddingLoss
参数：
margin：默认值0
2-14 多类别分类的hinge损失 MultiMarginLoss
参数：
p=1或者2 默认值：1
margin：默认值1
2-15 三元组损失 TripletMarginLoss
其中：
2-16 连接时序分类损失 CTCLoss
CTC连接时序分类损失，可以对没有对齐的数据进⾏⾃动对齐，主要⽤在没有事先对齐的序列化数据训练上。⽐如语⾳识别、ocr识别等等。
参数：
reduction-三个值，none: 不使⽤约简；mean：返回loss和的平均值； sum：返回loss的和。默认：mean。
2-17 负对数似然损失 NLLLoss
负对数似然损失. ⽤于训练 C 个类别的分类问题.
参数：
weight (Tensor, optional) – ⾃定义的每个类别的权重. 必须是⼀个长度为 C 的 Tensor
ignore_index (int, optional) – 设置⼀个⽬标值, 该⽬标值会被忽略, 从⽽不会影响到输⼊的梯度.
2-18 NLLLoss2d
对于图⽚输⼊的负对数似然损失. 它计算每个像素的负对数似然损失.
参数：
weight (Tensor, optional) – ⾃定义的每个类别的权重. 必须是⼀个长度为 C 的 Tensor
reduction-三个值，none: 不使⽤约简；mean：返回loss和的平均值； sum：返回loss的和。默认：mean。
2-19 PoissonNLLLoss
⽬标值为泊松分布的负对数似然损失
参数：
log_input (bool, optional) – 如果设置为 True , loss 将会按照公式 exp(input) - target * input 来计算, 如果设置为 False , loss 将会按照 input - target * log(input+eps) 计算.
full (bool, optional) – 是否计算全部的 loss, i. e. 加上 Stirling 近似项 target * log(target) - target + 0.5 * log(2 * pi * target).
eps (float, optional) – 默认值: 1e-8
参考资料
到此这篇关于Pytorch⼗九种损失函数的使⽤详解的⽂章就介绍到这了，更多相关Pytorch 损失函数内容请搜索以前的⽂章或继续浏览下⾯的相关⽂章希望⼤家以后多多⽀持！

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。