PyTorch中一些损失函数的使用

1. 均方误差（MSE）
   使用方法如下：

import torch
import torch.nn as nn
a = torch.tensor([[1,2,3],[4,5,6]],dtype=torch.float)
b = torch.tensor([[1,3,5],[6,5,4]],dtype=torch.float)
print(a)
print(b)
loss = nn.MSELoss()
l = loss(a,b)
print(l)

其中MSELoss是定义在torch.nn下的一个类，使用的时候如上述方法一样调用即可，实例化该类的时候一般只用到一个参数reduction，改参数的取值有none，mean，sum三种，默认情况下是mean，即求取平均值。

2. 二元交叉熵损失函数(BCELoss)
   使用方法如下：

a = torch.tensor([[0.5],[0.2],[0.4]],dtype=torch.float)
target = torch.tensor([[1],[0],[1]],dtype=torch.float)
loss = nn.BCELoss()
print(loss(a,target))

同样BCELoss是定义在torch.nn下的一个类，下面是官网对于该函数的一些解释：

计算时输入的input和target是相同的形状，并且input的数值应该在0-1之间，也就是sigmoid后的数据。

3. BCEWithLogitsLoss
   该损失函数相当于是将sigmoid函数和BCELoss组合在一起了，上面要求input的数值应该在0-1之间，也就是需要实现调用sigmoid函数，该损失函数内部会自动进行sigmoid计算，实现传入的数据不需要再进行此操作。

4. CrossEntropyLoss
   该损失函数是将sofmax，log，NLLLoss三个函数组合在一起了，将输入的数据依次进行这三个操作。
   传入相应参数的形状如下所示：
   
   其中N是batch_size,C是种类数，需要注意的是target是一维的，最后计算的时候会将对应位置的数据取出来进行损失函数的计算。