zoukankan      html  css  js  c++  java
  • 19种损失函数,你能认识几个?

    19种损失函数,你能认识几个?

    爱编程 今天

    作者:mingo_敏

    链接:https://blog.csdn.net/shanglianlm/article/details/85019768

    tensorflow和pytorch很多都是相似的,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='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、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。
    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。
    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 Tensorignore_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。
    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。
    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
    6、BCEWithLogitsLossBCEWithLogitsLoss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

    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:
    参数:

    margin:默认值0

    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:参数:

    margin:默认值1

    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:

    10、平滑版L1损失 SmoothL1Loss

    也被称为 Huber 损失函数。
    torch.nn.SmoothL1Loss(reduction='mean')
    其中

    11、2分类的logistic损失 SoftMarginLoss

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

    12、多标签 one-versus-all 损失 MultiLabelSoftMarginLoss

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

    13、cosine 损失 CosineEmbeddingLoss

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

    参数:
    margin:默认值0

    14、多类别分类的hinge损失 MultiMarginLoss

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

    参数:
    p=1或者2 默认值:1
    margin:默认值1

    15、三元组损失 TripletMarginLoss

    和孪生网络相似,具体例子:给一个A,然后再给B、C,看看B、C谁和A更像。
    torch.nn.TripletMarginLoss(margin=1.0, p=2.0, eps=1e-06, swap=False, reduction='mean')
    其中:
    16、连接时序分类损失 CTCLossCTC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。
    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 Tensorignore_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=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 Tensorreduction-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。
    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
    参考资料:pytorch loss function 总结http://www.voidcn.com/article/p-rtzqgqkz-bpg.html
  • 相关阅读:
    装饰器
    提供离线chrome谷歌浏览器插件crx的网站有
    关于使用AWS上的RHEL8.x/Redhat系统使用自己单独购买的Redhat官网license导致的yum命令报错处理
    关于aws账单数据中几个重要的与费用相关的字段的意义分析
    在vCenter或者ESXi中通过ova/ovf进行还原部署虚拟机的过程记录
    关于python爬虫request.get()方法的常用参数
    关于aws cli命令的exit/return code分析
    关于pycharm代码运行后控制台的输出不完整被截断的处理
    关于变量的值中包含另一个变量引用的处理间接变量引用
    关于在python中使用pandas模块将列表list/元组tuple写入excel中
  • 原文地址:https://www.cnblogs.com/think90/p/11639912.html
Copyright © 2011-2022 走看看