計算 output 和 target 之差的絕對值。

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

reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

2 均方誤差損失 MSELoss
計算 output 和 target 之差的均方差。

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

reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

3 交叉熵損失 CrossEntropyLoss
當訓(xùn)練有 C 個類別的分類問題時很有效. 可選參數(shù) weight 必須是一個1維 Tensor, 權(quán)重將被分配給各個類別. 對于不平衡的訓(xùn)練集非常有效。
在多分類任務(wù)中，經(jīng)常采用 softmax 激活函數(shù)+交叉熵損失函數(shù)，因為交叉熵描述了兩個概率分布的差異，然而神經(jīng)網(wǎng)絡(luò)輸出的是向量，并不是概率分布的形式。所以需要 softmax激活函數(shù)將一個向量進行“歸一化”成概率分布的形式，再采用交叉熵損失函數(shù)計算 loss。

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

weight (Tensor, optional) – 自定義的每個類別的權(quán)重. 必須是一個長度為 C 的 Tensorignore_index (int, optional) – 設(shè)置一個目標值, 該目標值會被忽略, 從而不會影響到 輸入的梯度。reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

4 KL 散度損失 KLDivLoss
計算 input 和 target 之間的 KL 散度。KL 散度可用于衡量不同的連續(xù)分布之間的距離, 在連續(xù)的輸出分布的空間上(離散采樣)上進行直接回歸時 很有效.

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

reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

5 二進制交叉熵損失 BCELoss
二分類任務(wù)時的交叉熵計算函數(shù)。用于測量重構(gòu)的誤差, 例如自動編碼機. 注意目標的值 t[i] 的范圍為0到1之間.

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

weight (Tensor, optional) – 自定義的每個 batch 元素的 loss 的權(quán)重. 必須是一個長度為 “nbatch” 的 的 Tensor

6 BCEWithLogitsLoss
BCEWithLogitsLoss損失函數(shù)把 Sigmoid 層集成到了 BCELoss 類中. 該版比用一個簡單的 Sigmoid 層和 BCELoss 在數(shù)值上更穩(wěn)定, 因為把這兩個操作合并為一個層之后, 可以利用 log-sum-exp 的 技巧來實現(xiàn)數(shù)值穩(wěn)定.

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

weight (Tensor, optional) – 自定義的每個 batch 元素的 loss 的權(quán)重. 必須是一個長度 為 “nbatch” 的 Tensor

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

對于 mini-batch(小批量) 中每個實例的損失函數(shù)如下:

參數(shù)：

margin:默認值0

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

margin:默認值1

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

也被稱為 Huber 損失函數(shù)。

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

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

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

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

margin:默認值0

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

p=1或者2 默認值：1
margin:默認值1

和孿生網(wǎng)絡(luò)相似，具體例子：給一個A，然后再給B、C，看看B、C誰和A更像。

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

torch.nn.CTCLoss(blank=0, reduction='mean')

reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

17 負對數(shù)似然損失 NLLLoss
負對數(shù)似然損失. 用于訓(xùn)練 C 個類別的分類問題。

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

weight (Tensor, optional) – 自定義的每個類別的權(quán)重. 必須是一個長度為 C 的 Tensorignore_index (int, optional) – 設(shè)置一個目標值, 該目標值會被忽略, 從而不會影響到 輸入的梯度.

18 NLLLoss2d
對于圖片輸入的負對數(shù)似然損失. 它計算每個像素的負對數(shù)似然損失。

torch.nn.NLLLoss2d(weight=None, ignore_index=-100, reduction='mean')

weight (Tensor, optional) – 自定義的每個類別的權(quán)重. 必須是一個長度為 C 的 Tensorreduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。

19 PoissonNLLLoss
目標值為泊松分布的負對數(shù)似然損失。

torch.nn.PoissonNLLLoss(log_input=True, full=False,  eps=1e-08,  reduction='mean')

log_input (bool, optional) – 如果設(shè)置為 True , loss 將會按照公 式 exp(input) - target * input 來計算, 如果設(shè)置為 False , loss 將會按照 input - target * log(input+eps) 計算。

full (bool, optional) – 是否計算全部的 loss, i. e. 加上 Stirling 近似項 target * log(target) - target + 0.5 * log(2 * pi * target)。

eps (float, optional) – 默認值: 1e-8。

*博客內(nèi)容為網(wǎng)友個人發(fā)布，僅代表博主個人觀點，如有侵權(quán)請聯(lián)系工作人員刪除。