超全！19种损失函数，你能认识几个？

---

  磐创AI分享  

来源 | 智能算法

作者 | mingo_敏

编辑 | 深度学习自然语言处理小编zenRRan

【导读】tensorflow和pytorch很多都是相似的&＃xff0c;这里以pytorch为例。

19种损失函数

1. L1范数损失 L1Loss

计算 output 和 target 之差的绝对值。

torch.nn.L1Loss(reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

reduction-三个值&＃xff0c;none: 不使用约简&＃xff1b;mean:返回loss和的平均值&＃xff1b;sum:返回loss的和。默认&＃xff1a;mean。

2 均方误差损失 MSELoss

计算 output 和 target 之差的均方差。

torch.nn.MSELoss(reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

reduction-三个值&＃xff0c;none: 不使用约简&＃xff1b;mean:返回loss和的平均值&＃xff1b;sum:返回loss的和。默认&＃xff1a;mean。

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&＃xff0c;经常采用 softmax 激活函数&＃43;交叉熵损失函数&＃xff0c;因为交叉熵描述了两个概率分布的差异&＃xff0c;然而神经网络输出的是向量&＃xff0c;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&＃xff0c;再采用交叉熵损失函数计算 loss。

torch.nn.CrossEntropyLoss(weight&＃61;None,ignore_index&＃61;-100, reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

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。

reduction-三个值&＃xff0c;none: 不使用约简&＃xff1b;mean:返回loss和的平均值&＃xff1b;sum:返回loss的和。默认&＃xff1a;mean。

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.

torch.nn.KLDivLoss(reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

reduction-三个值&＃xff0c;none: 不使用约简&＃xff1b;mean:返回loss和的平均值&＃xff1b;sum:返回loss的和。默认&＃xff1a;mean。

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.

torch.nn.BCELoss(weight&＃61;None, reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

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

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.

torch.nn.BCEWithLogitsLoss(weight&＃61;None, reduction&＃61;&＃39;mean&＃39;, pos_weight&＃61;None)


参数&＃xff1a;

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

7 MarginRankingLoss

torch.nn.MarginRankingLoss(margin&＃61;0.0, reduction&＃61;&＃39;mean&＃39;)


对于 mini-batch(小批量) 中每个实例的损失函数如下:

参数&＃xff1a;

margin:默认值0

8 HingeEmbeddingLoss

torch.nn.HingeEmbeddingLoss(margin&＃61;1.0, reduction&＃61;&＃39;mean&＃39;)


对于 mini-batch(小批量) 中每个实例的损失函数如下:

参数&＃xff1a;

margin:默认值1

9 多标签分类损失 MultiLabelMarginLoss

torch.nn.MultiLabelMarginLoss(reduction&＃61;&＃39;mean&＃39;)


对于mini-batch(小批量) 中的每个样本按如下公式计算损失:

10 平滑版L1损失 SmoothL1Loss

也被称为 Huber 损失函数。

torch.nn.SmoothL1Loss(reduction&＃61;&＃39;mean&＃39;)


其中

11 2分类的logistic损失 SoftMarginLoss

torch.nn.SoftMarginLoss(reduction&＃61;&＃39;mean&＃39;)


12 多标签 one-versus-all 损失 MultiLabelSoftMarginLoss

torch.nn.MultiLabelSoftMarginLoss(weight&＃61;None, reduction&＃61;&＃39;mean&＃39;)


13 cosine 损失 CosineEmbeddingLoss

torch.nn.CosineEmbeddingLoss(margin&＃61;0.0, reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

margin:默认值0

14 多类别分类的hinge损失 MultiMarginLoss

torch.nn.MultiMarginLoss(p&＃61;1, margin&＃61;1.0, weight&＃61;None, reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

p&＃61;1或者2 默认值&＃xff1a;1
margin:默认值1

15 三元组损失 TripletMarginLoss

和孪生网络相似&＃xff0c;具体例子&＃xff1a;给一个A&＃xff0c;然后再给B、C&＃xff0c;看看B、C谁和A更像。

torch.nn.TripletMarginLoss(margin&＃61;1.0, p&＃61;2.0, eps&＃61;1e-06, swap&＃61;False, reduction&＃61;&＃39;mean&＃39;)


其中&＃xff1a;

16 连接时序分类损失 CTCLoss

CTC连接时序分类损失&＃xff0c;可以对没有对齐的数据进行自动对齐&＃xff0c;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。

torch.nn.CTCLoss(blank&＃61;0, reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

reduction-三个值&＃xff0c;none: 不使用约简&＃xff1b;mean:返回loss和的平均值&＃xff1b;sum:返回loss的和。默认&＃xff1a;mean。

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.

torch.nn.NLLLoss(weight&＃61;None, ignore_index&＃61;-100, reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

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.

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.

torch.nn.NLLLoss2d(weight&＃61;None, ignore_index&＃61;-100, reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

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&＃xff0c;none: 不使用约简&＃xff1b;mean:返回loss和的平均值&＃xff1b;sum:返回loss的和。默认&＃xff1a;mean。

19 PoissonNLLLoss

目标值为泊松分布的负对数似然损失

torch.nn.PoissonNLLLoss(log_input&＃61;True, full&＃61;False, eps&＃61;1e-08, reduction&＃61;&＃39;mean&＃39;)


参数&＃xff1a;

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&＃43;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 &＃43; 0.5 * log(2 * pi * target).

eps (float, optional) – 默认值: 1e-8

参考资料&＃xff1a;

pytorch loss function 总结

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

原文链接&＃xff1a;https://blog.csdn.net/shanglianlm/article/details/85019768

- End -

欢迎扫码关注&＃xff1a;