深度学习:Pytorch常见损失函数Loss简介

深度学习:Pytorch常见损失函数Loss简介

  • [L1 Loss](#L1 Loss)
  • [MSE Loss](#MSE Loss)
  • [SmoothL1 Loss](#SmoothL1 Loss)
  • [CrossEntropy Loss](#CrossEntropy Loss)
  • [Focal Loss](#Focal Loss)

此篇博客主要对深度学习中常用的损失函数进行介绍,并结合Pytorch的函数进行分析,讲解其用法。

L1 Loss

L1 Loss计算预测值和真值的平均绝对误差。

L o s s ( y , y ^ ) = ∣ y − y ^ ∣ Loss(y,\hat{y}) = |y-\hat{y}| Loss(y,y^)=∣y−y^∣

Pytorch函数:

python 复制代码
torch.nn.L1Loss(size_average=None, reduce=None, reduction='mean')

参数:

  • size_average (bool, optional) -- 此参数已弃用;
  • reduce (bool, optional) -- 此参数已弃用;
  • reduction (str, optional) -- 由以下三个参数选其一:'none' | 'mean' | 'sum'. 'none':不对各个元素的误差处理, 'mean':输出是各个元素误差的平均值,'sum':输出是将各个元素的误差求和。 默认:'mean'。

MSE Loss

MSE Loss计算预测值和真值的均方误差。

L o s s ( y , y ^ ) = ( y − y ^ ) 2 Loss(y,\hat{y}) = (y-\hat{y})^2 Loss(y,y^)=(y−y^)2

Pytorch函数:

python 复制代码
torch.nn.MSELoss(size_average=None, reduce=None, reduction='mean')

参数:

  • size_average (bool, optional) -- 此参数已弃用。
  • reduce (bool, optional) -- 此参数已弃用。
  • reduction (str, optional) -- 由以下三个参数选其一:'none' | 'mean' | 'sum'. 'none':不对各个元素的误差处理, 'mean':输出是各个元素误差的平均值,'sum':输出是将各个元素的误差求和。 默认:'mean'。

SmoothL1 Loss

在训练初期,当预测值和真值相差较大时,损失函数的值较大,容易导致训练不稳定,为了防止梯度爆炸(梯度值是指损失函数对输入的导数,梯度爆炸是指梯度值很大),同时当预测值和真值相差较小时,梯度值足够小,可以使用SmoothL1 Loss,它可以视作L1 Loss和L2 Loss(MSE Loss)的结合,计算公式如下:

KaTeX parse error: No such environment: equation at position 8: \begin{̲e̲q̲u̲a̲t̲i̲o̲n̲}̲ Loss(y,\hat{y}...

Pytorch函数:

python 复制代码
torch.nn.SmoothL1Loss(size_average=None, reduce=None, reduction='mean', beta=1.0)

参数:

  • size_average (bool, optional) -- 此参数已弃用。
  • reduce (bool, optional) -- 此参数已弃用。
  • reduction (str, optional) -- 由以下三个参数选其一:'none' | 'mean' | 'sum'. 'none':不对各个元素的误差处理, 'mean':输出是各个元素误差的平均值,'sum':输出是将各个元素的误差求和。 默认:'mean'。
  • beta ( float ,optional) -- 指定 L1 Loss和 L2 Loss之间变化的阈值。该值必须是非负数。默认值:1.0

CrossEntropy Loss

CrossEntropy Loss是在处理分类问题中常用的一种损失函数,如二分类和多分类。此函数来源于信息论中的交叉熵概念,用于衡量两个预估概率分布和真实概率分布之间的差异。交叉熵损失函数公式如下:

(1)对于二分类问题:
L o s s ( y , y ^ ) = − ∑ i = 1 n ( y i l o g ( y i ^ ) + ( 1 − y i ) l o g ( 1 − y i ^ ) ) Loss(y,\hat{y}) = -\sum_{i=1}^{n}(y_ilog(\hat{y_i})+(1-y_i)log(1-\hat{y_i})) Loss(y,y^)=−i=1∑n(yilog(yi^)+(1−yi)log(1−yi^))

其中, y y y是真值, y ^ \hat{y} y^是预测值,n是样本的数量,每个样本都会计算一个损失,如果reduction是'mean',那么会对所有样本的损失求平均;如果reduction是'sum',那么会对所有样本的损失求和。

(2)对于多分类问题:
L o s s ( y , y ^ ) = − ∑ i = 1 n ∑ j = 1 m y i j l o g ( y i j ^ ) Loss(y,\hat{y}) = - \sum_{i=1}^{n}\sum_{j=1}^{m}y_{ij}log(\hat{y_{ij}}) Loss(y,y^)=−i=1∑nj=1∑myijlog(yij^)

其中, y i j y_{ij} yij是第i个样本的真实标签在第j类的概率, y i j ^ \hat{y_{ij}} yij^是第i个样本预测为第j类的概率,n是样本数量,m是类别的数量,每个样本都会计算一个损失,如果reduction是'mean',那么会对所有样本的损失求平均;如果reduction是'sum',那么会对所有样本的损失求和。

Pytorch函数:

python 复制代码
torch.nn.CrossEntropyLoss(weight=None, size_average=None, ignore_index=- 100, reduce=None, reduction='mean', label_smoothing=0.0)

参数:

  • weight (Tensor, optional) -- 为每个类指定的手动缩放权重。如果给定,则必须是大小为C的张量。
  • size_average (bool, optional) -- 此参数已弃用。
  • ignore_index (int, optional) -- 指定被忽略且不会对输入梯度产生影响的目标值。
  • reduce (bool, optional) -- 此参数已弃用。
  • reduction (str, optional) -- 由以下三个参数选其一:'none' | 'mean' | 'sum'. 'none':不对各个元素的误差处理, 'mean':输出是各个元素误差的平均值,'sum':输出是将各个元素的误差求和。 默认:'mean'。
  • label_smoothing (float, optional) -- 0.0, 1.0 中的浮点数。指定计算损失时的平滑量,其中 0.0 表示不平滑。默认值: 0.0.

Focal Loss

Focal Loss主要用来处理正负样本(特别是前景和背景样本的分类)不均衡的问题。样本不均衡会导致训练效率低,甚至可能会导致模型退化。Focal Loss可以视为对CrossENtropy Loss增加权重加以平衡(增加预测概率小的样本权重,其对应的损失函数值变大;反而降低预测概率大的样本权重,其对应的损失函数值变小)。参考公式如下:
L o s s ( y , y ^ ) = − ∑ i = 1 n ∑ j = 1 m ( 1 − y i j ^ ) γ y i j l o g ( y i j ^ ) Loss(y,\hat{y}) = - \sum_{i=1}^{n}\sum_{j=1}^{m}(1-\hat{y_{ij}})^{\gamma}y_{ij}log(\hat{y_{ij}}) Loss(y,y^)=−i=1∑nj=1∑m(1−yij^)γyijlog(yij^)

其中, γ \gamma γ常取2.

相关推荐
甲维斯8 小时前
GPT6.2Astra“卖家秀”!擅长领域汇总!
人工智能
回眸&啤酒鸭8 小时前
【回眸】Hy4 模型效果展示与能力评测大纲
大数据·人工智能·机器学习
AI小怪兽8 小时前
你的视觉基础模型会说“植物语“吗?面向目标检测的视觉基础模型植物语法
人工智能·深度学习·机器学习
峯5808 小时前
机器学习05,用 scikit-learn 做加州房价预测的完整入门工程
人工智能·机器学习·scikit-learn
伞伞悦读9 小时前
【第86期】分类指标与错误成本对照的实验与排查
大数据·人工智能·机器学习
深兰科技9 小时前
走出进博展馆寻AI方案,巴西政商联合体参访深兰科技洽商中巴产业数字化合作
人工智能·typescript·深兰科技·中巴产业数字化·巴西政商联合体·ai方案·进博会
美团技术团队9 小时前
EMNLP 2026 | 美团技术团队学术论文精选
人工智能
Summer-Bright9 小时前
企业落地智能体,供应链签名还是空白:1862 个 MCP 服务器无认证裸奔
服务器·人工智能·github·mcp
ZhengEnCi9 小时前
Agent 只输出计划不调用工具怎么办:从终止信号错位到结果验收的四层防线
人工智能·agent
xsd202411189 小时前
把模型从 FP32 压到 INT8:PTQ、QAT 与 PyTorch 量化全链路
人工智能