| 損失函數 | 名稱 | 適用場景 |
|---|---|---|
| torch.nn.MSELoss() | 均方誤差損失 | 回歸 |
| torch.nn.L1Loss() | 平均絕對值誤差損失 | 回歸 |
| torch.nn.CrossEntropyLoss() | 交叉熵損失 | 多分類 |
| torch.nn.NLLLoss() | 負對數似然函數損失 | 多分類 |
| torch.nn.NLLLoss2d() | 圖片負對數似然函數損失 | 圖像分割 |
| torch.nn.KLDivLoss() | KL散度損失 | 回歸 |
| torch.nn.BCELoss() | 二分類交叉熵損失 | 二分類 |
| torch.nn.MarginRankingLoss() | 評價相似度的損失 | |
| torch.nn.MultiLabelMarginLoss() | 多標簽分類的損失 | 多標簽分類 |
| torch.nn.SmoothL1Loss() | 平滑的L1損失 | 回歸 |
| torch.nn.SoftMarginLoss() | 多標簽二分類問題的損失 |
多標簽二分類 |
torch.nn.CrossEntropyLoss(weight=None, # 1D張量,含n個元素,分別代表n類的權重,樣本不均衡時常用
size_average=None,
ignore_index=-100,
reduce=None,
reduction='mean' )
參數:
weight: 1D張量,含n個元素,分別代表n類的權重,樣本不均衡時常用, 默認為None.
計算公式:
weight = None時:
weight ≠ None時:
輸入:
output: 網絡未加softmax的輸出
target: label值(0,1,2 不是one-hot)
代碼:
loss_func = CrossEntropyLoss(weight=torch.from_numpy(np.array([0.03,0.05,0.19,0.26,0.47])).float().to(device) ,size_average=True) loss = loss_func(output, target)
torch.nn.NLLLoss(weight=None,
size_average=None,
ignore_index=-100,
reduce=None,
reduction='mean')
輸入:
output: 網絡在logsoftmax后的輸出
target: label值(0,1,2 不是one-hot)
代碼:
loss_func = NLLLoss(weight=torch.from_numpy(np.array([0.03,0.05,0.19,0.26,0.47])).float().to(device) ,size_average=True) loss = loss_func(output, target)
總之, CrossEntropyLoss() = softmax + log + NLLLoss() = log_softmax + NLLLoss(), 具體等價應用如下:
####################---CrossEntropyLoss()---####################### loss_func = CrossEntropyLoss() loss = loss_func(output, target) ####################---Softmax+log+NLLLoss()---#################### self.softmax = nn.Softmax(dim = -1) x = self.softmax(x) output = torch.log(x) loss_func = NLLLoss() loss = loss_func(output, target) ####################---LogSoftmax+NLLLoss()---###################### self.log_softmax = nn.LogSoftmax(dim = -1) output = self.log_softmax(x) loss_func = NLLLoss() loss = loss_func(output, target)
補充：常用損失函數用法小結之Pytorch框架
在用深度學習做圖像處理的時候，常用到的損失函數無非有四五種，為了方便Pytorch使用者，所以簡要做以下總結
預測值與標簽值進行相差，然后取絕對值，根據實際應用場所，可以設置是否求和，求平均，公式可見下，Pytorch調用函數：nn.L1Loss
預測值與標簽值進行相差，然后取平方，根據實際應用場所，可以設置是否求和，求平均，公式可見下，Pytorch調用函數：nn.MSELoss
簡單來說就是L1和L2損失函數的綜合版本，結合了兩者的優點，公式可見下，Pytorch調用函數：nn.SmoothL1Loss
簡單來說，就是度量兩個概率分布間的差異性信息，在某一程度上也可以防止梯度學習過慢，公式可見下，Pytorch調用函數有兩個，一個是nn.BCELoss函數，用的時候要結合Sigmoid函數，另外一個是nn.BCEWithLogitsLoss()
也是度量兩個概率分布間的差異性信息，Pytorch調用函數也有兩個，一個是nn.NLLLoss，用的時候要結合log softmax處理，另外一個是nn.CrossEntropyLoss
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
