Pytorch的19种损失函数

标签：技术   计算   合并   元组   均值   aop   输入   tar   概率   

基本用法

1
2

criterion = LossCriterion()  
loss = criterion(x, y)  # 调用标准时也有参数

损失函数

L1范数损失：L1Loss

计算 output 和 target 之差的绝对值。

1

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。

均方误差损失：MSELoss

计算 output 和 target 之差的均方差。

1

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。

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。

1

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。

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。

1

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。

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。

1

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 Tensor。

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。

1

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。

MarginRankingLoss

1

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。

HingeEmbeddingLoss

1

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。

多标签分类损失：MultiLabelMarginLoss

1

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：

大专栏  Pytorch的19种损失函数 class="headerlink" title="平滑版L1损失：SmoothL1Loss">平滑版L1损失：SmoothL1Loss

也被称为 Huber 损失函数。

1

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

其中，

2分类的logistic损失：SoftMarginLoss

1

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

多标签 one-versus-all 损失：MultiLabelSoftMarginLoss

1

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

cosine 损失：CosineEmbeddingLoss

1

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

参数：margin：默认值 0。

多类别分类的hinge损失：MultiMarginLoss

1

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

参数：p=1 或者 2，默认值：1。margin：默认值为 1。

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。

1

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

其中，

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。

1

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。

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。

1

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。

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。

1

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。

PoissonNLLLoss

目标值为泊松分布的负对数似然损失。

1

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。

Pytorch的19种损失函数

标签：技术   计算   合并   元组   均值   aop   输入   tar   概率   

原文地址：https://www.cnblogs.com/lijianming180/p/12376301.html