机器学习的19 种损失函数总结（Pytorch 计算）

落日映苍穹つ 2024-04-19 11:06 73阅读 0赞

## 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。

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

**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')

**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。

![20181230200055474.png_pic_center][]

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

**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')

**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')

**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

### 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)

**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

### 2-7 MarginRankingLoss ###

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

对于 mini-batch(小批量) 中每个实例的损失函数如下:

![20181230222507854.png][]

**参数：**

margin: 默认值 0

### 2-8 HingeEmbeddingLoss ###

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

对于 mini-batch(小批量) 中每个实例的损失函数如下:

![2018123022260418.png][]

**参数：**

margin: 默认值 1

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

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

对于 mini-batch(小批量) 中的每个样本按如下公式计算损失:

![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')

![2018123023152995.png][]

其中

![20181230231546869.png][]

### 2-11 二分类的 logistic 损失 SoftMarginLoss ###

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

![20181230231706440.png][]

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

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

![20181230231814168.png][]

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

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

![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')

![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')

![20181230232313232.png][]

其中：

![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')

**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')

**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')

**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')

**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

[20181230200055474.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/10f2fa4abf544d439a55d8710eb58529.png
[20181230222507854.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/6c8197dcbd1243378ff4ea056949cd4f.png
[2018123022260418.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/b667fc85db944f768747bc81ccd7be14.png
[20181230231304735.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/a3b10dab625c4925837088da097158ca.png
[2018123023152995.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/a882bbefe40a4b0b9e6ecd05b6914fb0.png
[20181230231546869.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/36541105b29f4839b297e0cd63b93178.png
[20181230231706440.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/210e056a409f457dbe7a021dc378b095.png
[20181230231814168.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/52cb7e906151435b853c7056f8170950.png
[20181230231908460.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/676ecb991c3544b38a580cb567b088df.png
[20181230232154532.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/ae99629dfae2498faece59a4a151bae1.png
[20181230232313232.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/7c9e4f88e116453aaeb8d0f195f61e98.png
[20181230232325309.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/d6e3308fc294489a9bf7d2d513c6184d.png