【深度學習】一文看盡Pytorch之十九種損失函數(shù)

原文鏈接：https://blog.csdn.net/shanglianlm/article/details/85019768

01

criterion = LossCriterion() #構造函數(shù)有自己的參數(shù)loss = criterion(x, y) #調(diào)用標準時也有參數(shù)

02

2-1 L1范數(shù)損失 L1Loss

計算 output 和 target 之差的絕對值。

torch.nn.L1Loss(reduction='mean')

參數(shù)：

reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

2-2 均方誤差損失 MSELoss

計算 output 和 target 之差的均方差。

torch.nn.MSELoss(reduction='mean')

參數(shù)：

reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

2-3 交叉熵損失 CrossEntropyLoss

當訓練有 C 個類別的分類問題時很有效. 可選參數(shù) weight 必須是一個1維 Tensor, 權重將被分配給各個類別. 對于不平衡的訓練集非常有效。

在多分類任務中，經(jīng)常采用 softmax 激活函數(shù)+交叉熵損失函數(shù)，因為交叉熵描述了兩個概率分布的差異，然而神經(jīng)網(wǎng)絡輸出的是向量，并不是概率分布的形式。所以需要 softmax激活函數(shù)將一個向量進行“歸一化”成概率分布的形式，再采用交叉熵損失函數(shù)計算 loss。

torch.nn.CrossEntropyLoss(weight=None, ignore_index=-100, reduction='mean')

參數(shù)：

weight (Tensor, optional) – 自定義的每個類別的權重. 必須是一個長度為 C 的 Tensor

ignore_index (int, optional) – 設置一個目標值, 該目標值會被忽略, 從而不會影響到 輸入的梯度。

reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

2-4 KL 散度損失 KLDivLoss

計算 input 和 target 之間的 KL 散度。KL 散度可用于衡量不同的連續(xù)分布之間的距離, 在連續(xù)的輸出分布的空間上(離散采樣)上進行直接回歸時很有效.

torch.nn.KLDivLoss(reduction='mean')

參數(shù)：

reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

2-5 二進制交叉熵損失 BCELoss

二分類任務時的交叉熵計算函數(shù)。用于測量重構的誤差, 例如自動編碼機. 注意目標的值 t[i] 的范圍為0到1之間.

torch.nn.BCELoss(weight=None, reduction='mean')

參數(shù)：

weight (Tensor, optional) – 自定義的每個 batch 元素的 loss 的權重. 必須是一個長度為 “nbatch” 的 的 Tensor

pos_weight(Tensor, optional) – 自定義的每個正樣本的 loss 的權重. 必須是一個長度 為 “classes” 的 Tensor

2-6 BCEWithLogitsLoss

BCEWithLogitsLoss損失函數(shù)把 Sigmoid 層集成到了 BCELoss 類中. 該版比用一個簡單的 Sigmoid 層和 BCELoss 在數(shù)值上更穩(wěn)定, 因為把這兩個操作合并為一個層之后, 可以利用 log-sum-exp 的 技巧來實現(xiàn)數(shù)值穩(wěn)定.

torch.nn.BCEWithLogitsLoss(weight=None, reduction='mean', pos_weight=None)

參數(shù)：

weight (Tensor, optional) – 自定義的每個 batch 元素的 loss 的權重. 必須是一個長度 為 “nbatch” 的 Tensor

pos_weight(Tensor, optional) – 自定義的每個正樣本的 loss 的權重. 必須是一個長度 為 “classes” 的 Tensor

2-7 MarginRankingLoss

torch.nn.MarginRankingLoss(margin=0.0, reduction='mean')

對于 mini-batch(小批量) 中每個實例的損失函數(shù)如下:

參數(shù)：

margin:默認值0

2-8 HingeEmbeddingLoss

torch.nn.HingeEmbeddingLoss(margin=1.0,  reduction='mean')

對于 mini-batch(小批量) 中每個實例的損失函數(shù)如下:

參數(shù)：

margin:默認值1

2-9 多標簽分類損失 MultiLabelMarginLoss

torch.nn.MultiLabelMarginLoss(reduction='mean')

對于mini-batch(小批量) 中的每個樣本按如下公式計算損失:

2-10 平滑版L1損失 SmoothL1Loss

也被稱為 Huber 損失函數(shù)。

torch.nn.SmoothL1Loss(reduction='mean')

其中

2-11 2分類的logistic損失 SoftMarginLoss

torch.nn.SoftMarginLoss(reduction='mean')

2-12 多標簽 one-versus-all 損失 MultiLabelSoftMarginLoss

torch.nn.MultiLabelSoftMarginLoss(weight=None, reduction='mean')

2-13 cosine 損失 CosineEmbeddingLoss

torch.nn.CosineEmbeddingLoss(margin=0.0, reduction='mean')

參數(shù)：

margin:默認值0

2-14 多類別分類的hinge損失 MultiMarginLoss

torch.nn.MultiMarginLoss(p=1, margin=1.0, weight=None,  reduction='mean')

參數(shù)：

p=1或者2 默認值：1

margin:默認值1

2-15 三元組損失 TripletMarginLoss

torch.nn.TripletMarginLoss(margin=1.0, p=2.0, eps=1e-06, swap=False, reduction='mean')

其中：

2-16 連接時序分類損失 CTCLoss

CTC連接時序分類損失，可以對沒有對齊的數(shù)據(jù)進行自動對齊，主要用在沒有事先對齊的序列化數(shù)據(jù)訓練上。比如語音識別、ocr識別等等。

torch.nn.CTCLoss(blank=0, reduction='mean')

參數(shù)：

reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

2-17 負對數(shù)似然損失 NLLLoss

負對數(shù)似然損失. 用于訓練 C 個類別的分類問題.

torch.nn.NLLLoss(weight=None, ignore_index=-100,  reduction='mean')

參數(shù)：

weight (Tensor, optional) – 自定義的每個類別的權重. 必須是一個長度為 C 的 Tensor

ignore_index (int, optional) – 設置一個目標值, 該目標值會被忽略, 從而不會影響到 輸入的梯度.

2-18 NLLLoss2d

對于圖片輸入的負對數(shù)似然損失. 它計算每個像素的負對數(shù)似然損失.

torch.nn.NLLLoss2d(weight=None, ignore_index=-100, reduction='mean')

參數(shù)：

weight (Tensor, optional) – 自定義的每個類別的權重. 必須是一個長度為 C 的 Tensor

reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

2-19 PoissonNLLLoss

目標值為泊松分布的負對數(shù)似然損失

torch.nn.PoissonNLLLoss(log_input=True, full=False,  eps=1e-08,  reduction='mean')

參數(shù)：

log_input (bool, optional) – 如果設置為 True , loss 將會按照公 式 exp(input) - target * input 來計算, 如果設置為 False , loss 將會按照 input - target * log(input+eps) 計算.

full (bool, optional) – 是否計算全部的 loss, i. e. 加上 Stirling 近似項 target * log(target) - target + 0.5 * log(2 * pi * target).

eps (float, optional) – 默認值: 1e-8

參考資料

http://www.voidcn.com/article/p-rtzqgqkz-bpg.html

往期精彩回顧




適合初學者入門人工智能的路線及資料下載
(圖文+視頻)機器學習入門系列下載
中國大學慕課《機器學習》（黃海廣主講）
機器學習及深度學習筆記等資料打印
《統(tǒng)計學習方法》的代碼復現(xiàn)專輯
機器學習交流qq群955171419，加入微信群請掃碼