八、Pytorch学习之十九种损失函数

╰半夏微凉° 2023-06-13 09:40 18阅读 0赞

### 这里写自定义目录标题 ###

本文链接： [https://blog.csdn.net/shanglianlm/article/details/85019768][https_blog.csdn.net_shanglianlm_article_details_85019768]

损失函数通过torch.nn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
    
      
       
      
       
        1 
        2

## 2 损失函数 ##

#### 2-1 L1范数损失 L1Loss ####

计算 output 和 target 之差的绝对值。

torch.nn.L1Loss(reduction='mean')
    
      
       
      
       
        1

**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。

torch.nn.MSELoss(reduction='mean')
    
      
       
      
       
        1

**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 ####

\[交叉熵损失函数详解 \](https://zhuanlan.zhihu.com/p/35709485)

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。  
![在这里插入图片描述][20181230200055474.png_pic_center]

torch.nn.CrossEntropyLoss(weight=None, ignore_index=-100, reduction='mean')
    
      
       
      
       
        1

**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。  
> 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.

torch.nn.KLDivLoss(reduction='mean')
    
      
       
      
       
        1

**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.

torch.nn.BCELoss(weight=None, reduction='mean')
    
      
       
      
       
        1

**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.

torch.nn.BCEWithLogitsLoss(weight=None, reduction='mean', pos_weight=None)
    
      
       
      
       
        1

**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 ####

torch.nn.MarginRankingLoss(margin=0.0, reduction='mean')
    
      
       
      
       
        1

对于 mini-batch(小批量) 中每个实例的损失函数如下:  
![在这里插入图片描述][20181230222507854.png]  
**参数：**

> margin:默认值0

#### 2-8 HingeEmbeddingLoss ####

torch.nn.HingeEmbeddingLoss(margin=1.0,  reduction='mean')
    
      
       
      
       
        1

对于 mini-batch(小批量) 中每个实例的损失函数如下:  
![在这里插入图片描述][2018123022260418.png]  
**参数：**

> margin:默认值1

#### 2-9 多标签分类损失 MultiLabelMarginLoss ####

torch.nn.MultiLabelMarginLoss(reduction='mean')
    
      
       
      
       
        1

对于mini-batch(小批量) 中的每个样本按如下公式计算损失:  
![在这里插入图片描述][20181230231304735.png]

#### 2-10 平滑版L1损失 SmoothL1Loss ####

也被称为 Huber 损失函数。

torch.nn.SmoothL1Loss(reduction='mean')
    
      
       
      
       
        1

![在这里插入图片描述][2018123023152995.png]  
其中  
![在这里插入图片描述][20181230231546869.png]

#### 2-11 2分类的logistic损失 SoftMarginLoss ####

torch.nn.SoftMarginLoss(reduction='mean')
    
      
       
      
       
        1

![\*\*参数：\*\*][20181230231706440.png]

#### 2-12 多标签 one-versus-all 损失 MultiLabelSoftMarginLoss ####

torch.nn.MultiLabelSoftMarginLoss(weight=None, reduction='mean')
    
      
       
      
       
        1

![\*\*参数：\*\*][20181230231814168.png]

#### 2-13 cosine 损失 CosineEmbeddingLoss ####

torch.nn.CosineEmbeddingLoss(margin=0.0, reduction='mean')
    
      
       
      
       
        1

![在这里插入图片描述][20181230231908460.png]  
**参数：**

> margin:默认值0

#### 2-14 多类别分类的hinge损失 MultiMarginLoss ####

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

![在这里插入图片描述][20181230232154532.png]  
**参数：**

> p=1或者2 默认值：1  
> margin:默认值1

#### 2-15 三元组损失 TripletMarginLoss ####

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

![在这里插入图片描述][20181230232313232.png]  
其中：  
![在这里插入图片描述][20181230232325309.png]

#### 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。

torch.nn.CTCLoss(blank=0, reduction='mean')
    
      
       
      
       
        1

**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.

torch.nn.NLLLoss(weight=None, ignore_index=-100,  reduction='mean')
    
      
       
      
       
        1

**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.

torch.nn.NLLLoss2d(weight=None, ignore_index=-100, reduction='mean')
    
      
       
      
       
        1

**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

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

**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

1.  
2.  [pytorch loss function 总结][pytorch loss function]

</div>
                <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-526ced5128.css" rel="stylesheet">
                    </div>

[Link 1]: http://creativecommons.org/licenses/by-sa/4.0/
[https_blog.csdn.net_shanglianlm_article_details_85019768]: https://blog.csdn.net/shanglianlm/article/details/85019768
[20181230200055474.png_pic_center]: https://img-blog.csdnimg.cn/20181230200055474.png#pic_center
[20181230222507854.png]: https://img-blog.csdnimg.cn/20181230222507854.png
[2018123022260418.png]: https://img-blog.csdnimg.cn/2018123022260418.png
[20181230231304735.png]: https://img-blog.csdnimg.cn/20181230231304735.png
[2018123023152995.png]: https://img-blog.csdnimg.cn/2018123023152995.png
[20181230231546869.png]: https://img-blog.csdnimg.cn/20181230231546869.png
[20181230231706440.png]: https://img-blog.csdnimg.cn/20181230231706440.png
[20181230231814168.png]: https://img-blog.csdnimg.cn/20181230231814168.png
[20181230231908460.png]: https://img-blog.csdnimg.cn/20181230231908460.png
[20181230232154532.png]: https://img-blog.csdnimg.cn/20181230232154532.png
[20181230232313232.png]: https://img-blog.csdnimg.cn/20181230232313232.png
[20181230232325309.png]: https://img-blog.csdnimg.cn/20181230232325309.png
[pytorch loss function]: http://www.voidcn.com/article/p-rtzqgqkz-bpg.html