Press "Enter" to skip to content

深度学习19种损失函数

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

本文汇总了19种损失函数,并对其进行了简要介绍。本文作者@mingo_敏,仅作学术分享,着作权归作者所有,如有侵权,请联系后台作删文处理。

 

tensorflow和pytorch很多都是相似的,这里以pytorch为例。

 

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 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。

 

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 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.

 

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

 

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 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。

 

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 Tensor

 

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 Tensor

 

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-rt

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。