Pytorch十九种损失函数的使用详解

作者:mingo_敏 时间:2021-07-19 22:23:07 

损失函数通过torch.nn包实现,

1 基本用法


criterion = LossCriterion() #构造函数有自己的参数
loss = criterion(x, y) #调用标准时也有参数

2 损失函数

2-1 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。

2-2 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。

2-3 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。

Pytorch十九种损失函数的使用详解


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。

2-4 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。

2-5 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
pos_weight(Tensor, optional) – 自定义的每个正样本的 loss 的权重. 必须是一个长度 为 “classes” 的 Tensor

2-6 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
pos_weight(Tensor, optional) – 自定义的每个正样本的 loss 的权重. 必须是一个长度 为 “classes” 的 Tensor

2-7 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:

Pytorch十九种损失函数的使用详解

参数:

margin:默认值0

2-8 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:

Pytorch十九种损失函数的使用详解

参数:

margin:默认值1

2-9 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:

Pytorch十九种损失函数的使用详解

2-10 平滑版L1损失 SmoothL1Loss

也被称为 Huber 损失函数。


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

Pytorch十九种损失函数的使用详解

其中

Pytorch十九种损失函数的使用详解

2-11 2分类的logistic损失 SoftMarginLoss


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

Pytorch十九种损失函数的使用详解

2-12 多标签 one-versus-all 损失 MultiLabelSoftMarginLoss


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

Pytorch十九种损失函数的使用详解

2-13 cosine 损失 CosineEmbeddingLoss


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

Pytorch十九种损失函数的使用详解

参数:

margin:默认值0

2-14 多类别分类的hinge损失 MultiMarginLoss


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

Pytorch十九种损失函数的使用详解

参数:

p=1或者2 默认值:1
margin:默认值1

2-15 三元组损失 TripletMarginLoss


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

Pytorch十九种损失函数的使用详解

其中:

Pytorch十九种损失函数的使用详解

2-16 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。

2-17 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
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.

2-18 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
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。

2-19 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

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

标签:Pytorch,损失函数
0
投稿

猜你喜欢

  • 儿童编程python入门

    2021-03-12 15:25:06
  • xWin之JS版

    2009-09-12 18:45:00
  • python递归下载文件夹下所有文件

    2023-08-07 07:21:55
  • Python实现端口复用实例代码

    2023-12-16 19:58:32
  • 解决python路径错误,运行.py文件,找不到路径的问题

    2023-03-13 05:47:33
  • Python常用正则表达式符号浅析

    2022-03-25 08:08:36
  • Asp中Scripting.TextStream 对象介绍

    2007-11-02 12:19:00
  • Python getattr()函数使用方法代码实例

    2022-03-04 03:30:51
  • CentOS 6.5中安装Python 3.6.2的方法步骤

    2022-10-11 09:13:43
  • PHP安全的URL字符串base64编码和解码

    2023-09-06 22:04:45
  • asp超强的Server Application Error 的解决方法

    2008-11-13 13:04:00
  • 关于ASP循环表格的问题之解答[比较详细]

    2011-04-08 11:14:00
  • 编码问题引起的折腾

    2009-07-03 12:43:00
  • windows下Python安装、使用教程和Notepad++的使用教程

    2023-04-21 09:31:39
  • keras回调函数的使用

    2022-08-22 11:42:41
  • asp被杀毒软件误删的解决方法

    2011-04-11 11:16:00
  • python中super()函数的理解与基本使用

    2023-07-02 08:00:33
  • PHP的PDO错误与错误处理

    2023-06-05 20:21:40
  • 使用Python脚本对GiteePages进行一键部署的使用说明

    2023-05-03 05:41:02
  • SQL Server 查询分析器快捷键集合

    2007-08-17 09:42:00
  • asp之家 网络编程 m.aspxhome.com