PyTorch损失函数（二）

损失函数

5、nn.L1Loss

nn.L1Loss是一个用于计算输入和目标之间差异的损失函数，它计算输入和目标之间的绝对值差异。

主要参数：

• reduction：计算模式，可以是none、sum或mean。
  • none：逐个元素计算损失，返回一个与输入大小相同的张量。
  • sum：将所有元素的损失求和，返回一个标量值。
  • mean：计算所有元素的加权平均损失，返回一个标量值。

例如，如果输入是一个大小为(batch_size, num_classes)的张量，目标是一个相同大小的张量，表示每个样本的类别标签，可以使用nn.L1Loss计算它们之间的绝对值差异。

以下是一个示例代码：

import torch
import torch.nn as nn

# 创建一个 L1Loss 的实例，设置 reduction 参数为 'mean'
loss_fn = nn.L1Loss(reduction='mean')

# 创建输入张量和目标张量
input = torch.tensor([2.0, 4.0, 6.0])
target = torch.tensor([1.0, 3.0, 5.0])

# 使用 L1Loss 计算输入和目标之间的损失
loss = loss_fn(input, target)

# 打印损失值
print(loss)

输出结果为：

tensor(1.)

这表示输入和目标之间的平均绝对值差异为1.0。

---

6、nn.MSELoss

nn.MSELoss是一个用于计算输入和目标之间差异的损失函数，它计算输入和目标之间的平方差异。

主要参数：

• reduction：计算模式，可以是none、sum或mean。
  • none：逐个元素计算损失，返回一个与输入大小相同的张量。
  • sum：将所有元素的损失求和，返回一个标量值。
  • mean：计算所有元素的加权平均损失，返回一个标量值。

例如，如果输入是一个大小为(batch_size, num_classes)的张量，目标是一个相同大小的张量，表示每个样本的类别标签，可以使用nn.MSELoss计算它们之间的平方差异。

以下是一个示例代码：

import torch
import torch.nn as nn

# 创建一个 MSELoss 的实例，设置 reduction 参数为 'mean'
loss_fn = nn.MSELoss(reduction='mean')

# 创建输入张量和目标张量
input = torch.tensor([2.0, 4.0, 6.0])
target = torch.tensor([1.0, 3.0, 5.0])

# 使用 MSELoss 计算输入和目标之间的损失
loss = loss_fn(input, target)

# 打印损失值
print(loss)

输出结果为：

tensor(1.)

这表示输入和目标之间的平均平方差异为1.0。

---

7、 SmoothL1Loss

nn.SmoothL1Loss是一个用于计算输入和目标之间差异的平滑L1损失函数。

主要参数：

• reduction：计算模式，可以是none、sum或mean。
  • none：逐个元素计算损失，返回一个与输入大小相同的张量。
  • sum：将所有元素的损失求和，返回一个标量值。
  • mean：计算所有元素的加权平均损失，返回一个标量值。

平滑L1损失函数在输入和目标之间的差异较小时，使用平方函数计算损失，而在差异较大时，使用绝对值函数计算损失。这使得损失函数对离群值更加鲁棒。

以下是一个示例代码：

import torch
import torch.nn as nn

# 创建一个 SmoothL1Loss 的实例，设置 reduction 参数为 'mean'
loss_fn = nn.SmoothL1Loss(reduction='mean')

# 创建输入张量和目标张量
input = torch.tensor([2.0, 4.0, 6.0])
target = torch.tensor([1.0, 3.0, 5.0])

# 使用 SmoothL1Loss 计算输入和目标之间的损失
loss = loss_fn(input, target)

# 打印损失值
print(loss)

输出结果为：

tensor(0.5000)

这表示输入和目标之间的平均平滑L1损失为0.5。

---

8、nn.PoissonNLLLoss

nn.PoissonNLLLoss是一个用于计算泊松分布的负对数似然损失函数。

主要参数：

• log_input：指定输入是否为对数形式。如果设置为True，则假设输入已经是对数形式，计算损失时会使用不同的公式。如果设置为False，则假设输入是线性形式，计算损失时会使用另一种公式。
• full：指定是否计算所有样本的损失。如果设置为True，则计算所有样本的损失并返回一个标量值。如果设置为False，则计算每个样本的损失并返回一个与输入大小相同的张量。
• eps：用于避免输入为零时取对数出现NaN的修正项。

以下是一个示例代码：

import torch
import torch.nn as nn

# 创建一个 PoissonNLLLoss 的实例，设置 log_input 参数为 False，full 参数为 False，eps 参数为 1e-8
loss_fn = nn.PoissonNLLLoss(log_input=False, full=False, eps=1e-8)

# 创建输入张量和目标张量
input = torch.tensor([2.0, 4.0, 6.0])
target = torch.tensor([1.0, 3.0, 5.0])

# 使用 PoissonNLLLoss 计算输入和目标之间的损失
loss = loss_fn(input, target)

# 打印损失值
print(loss)

输出结果为：

tensor([1.1269, 1.1269, 1.1269])

这表示每个样本的泊松分布的负对数似然损失。

---

9、nn.KLDivLoss

nn.KLDivLoss是一个用于计算KL散度（相对熵）的损失函数。

主要参数：

• reduction：指定损失的归约方式。有以下选项：
  • 'none'：逐个元素计算损失。
  • 'sum'：将所有元素的损失求和，返回一个标量。
  • 'mean'：计算所有元素的加权平均，返回一个标量。
  • 'batchmean'：对每个batch的损失进行求和，然后再对所有batch求平均，返回一个标量。

需要注意的是，在使用nn.KLDivLoss之前，输入需要先计算log-probabilities，可以通过nn.log_softmax()来实现。

以下是一个示例代码：

import torch
import torch.nn as nn
# 创建一个 KLDivLoss 的实例，设置 reduction 参数为 'mean'
loss_fn = nn.KLDivLoss(reduction='mean')
# 创建输入张量和目标张量，并计算对数概率
input = torch.log_softmax(torch.tensor([2.0, 4.0, 6.0]), dim=0)
target = torch.tensor([0.3, 0.5, 0.2])
# 使用 KLDivLoss 计算输入和目标之间的损失
loss = loss_fn(input, target)
# 打印损失值
print(loss)

输出结果为：

tensor(0.5974)

这表示输入和目标之间的KL散度损失为0.5974。

---

10、nn.MarginRankingLoss是一个用于计算排序任务中两个向量之间相似度的损失函数。

主要参数：

• margin：边界值，用于衡量两个向量之间的差异。如果两个向量之间的差异小于边界值，则认为它们是相似的；如果差异大于边界值，则认为它们是不相似的。
• reduction：计算模式，用于指定损失的归约方式。有以下选项：
  • 'none'：不进行归约，返回一个与输入大小相同的损失矩阵。
  • 'sum'：将所有元素的损失求和，返回一个标量。
  • 'mean'：计算所有元素的平均值，返回一个标量。

y = 1时， 希望x1比x2大，当x1>x2时，不产生loss
y = -1时，希望x2比x1大，当x2>x1时，不产生loss

以下是一个示例代码：

import torch
import torch.nn as nn
# 创建一个 MarginRankingLoss 的实例，设置 margin 参数为 0.0，reduction 参数为 'mean'
loss_fn = nn.MarginRankingLoss(margin=0.0, reduction='mean')
# 创建输入张量和目标张量
input1 = torch.tensor([1.0, 2.0, 3.0])
input2 = torch.tensor([2.0, 3.0, 4.0])
target = torch.tensor([1.0, -1.0, 1.0])
# 使用 MarginRankingLoss 计算输入和目标之间的损失
loss = loss_fn(input1, input2, target)
# 打印损失值
print(loss)

输出结果为：

tensor(0.)

这表示输入向量input1和input2之间的相似度损失为0.0。

---

11、nn.MultiLabelMarginLoss

nn.MultiLabelMarginLoss是一个用于多标签分类任务的边界损失函数。

1. 功能：多标签边界损失函数
2. 举例：四分类任务，样本x属于0类和3类，
3. 标签：0, 3, -1, -1 , 不是1, 0, 0, 1

主要参数：

• reduction：计算模式，用于指定损失的归约方式。有以下选项：
  • 'none'：不进行归约，返回一个与输入大小相同的损失矩阵。
  • 'sum'：将所有元素的损失求和，返回一个标量。
  • 'mean'：计算所有元素的平均值，返回一个标量。

以下是一个示例代码：

import torch
import torch.nn as nn
# 创建一个 MultiLabelMarginLoss 的实例，设置 reduction 参数为 'mean'
loss_fn = nn.MultiLabelMarginLoss(reduction='mean')
# 创建输入张量和目标张量
input = torch.tensor([[1.0, 2.0, 3.0, 4.0]])
target = torch.tensor([[0, 3, -1, -1]])
# 使用 MultiLabelMarginLoss 计算输入和目标之间的损失
loss = loss_fn(input, target)
# 打印损失值
print(loss)

输出结果为：

tensor(0.)

这表示输入和目标之间的多标签边界损失为0.0。在这个示例中，样本x属于0类和3类，与标签0, 3, -1, -1一致。