- 损失函数 ：度量模型的预测结果与真实值之间的差异；通过
最小化 loss-> 最大化模型表现 - 代码实现框架：设有 模型预测值
f (x), 真实值y- 方法一： 步骤 1.
criterion = torch.nn.某个Loss()；步骤 2.loss = criterion(f(x), y) - 方法二：直接采用
F.某个_loss(f(x), y)
- 方法一： 步骤 1.
回归损失（Regression Loss）：希望预测值和真实值接近，即 f(x) = y
- 【
torch.nn.L1Loss()】平均绝对值误差MAE（Mean Abs Error）: f (x) 和 y 之间差的绝对值的平均值- 具体数学计算公式： Loss = 1 n ∑ i = 0 n ∣ f ( x i ) − y i ∣ \text{Loss}=\frac{1}{n}\sum^n_{i=0} |f(x_i)-y_i| Loss=n1∑i=0n∣f(xi)−yi∣
- 注：L1 损失, 主要用于回归问题和简单的模型，所以很少使用
- 【
torch.nn.MSELoss()】平均平方误差MSE（Mean Squared Error）: f (x) 和 y 之间差的平方的平均值- 具体数学计算公式： Loss = 1 n ∑ i = 0 n ( f ( x i ) − y i ) 2 \text{Loss}=\frac{1}{n}\sum^n_{i=0} (f(x_i)-y_i)^2 Loss=n1∑i=0n(f(xi)−yi)2：
F.mse_loss(f(x), y) - 注：L2 损失, 很常用
- 具体数学计算公式： Loss = 1 n ∑ i = 0 n ( f ( x i ) − y i ) 2 \text{Loss}=\frac{1}{n}\sum^n_{i=0} (f(x_i)-y_i)^2 Loss=n1∑i=0n(f(xi)−yi)2：
分类损失（Classification Loss）：希望分类准确率高等
- 【
torch.nn.CrossEntropyLoss()】分类交叉熵损失CEL（Cross Entropy Loss）: 和 KL divergence (衡量两个分布的相似度) 有关- 具体数学计算公式： − ∑ y i j log ( f ( x i ) j ) -\sum y_{ij}\log(f(x_i)_j) −∑yijlog(f(xi)j), 注意其中 f ( x i ) f(x_i) f(xi) 表示模型预测出的概率值如 0.1, 0.7, 0.2:
F.cross_entropy(直接传入 logits (已打包了 softmax)) - 通常和
softmax(soft version of max S ( y i ) = e y i ∑ e y i S(y_i) = \frac{e^{y_i}}{\sum e^{y_i}} S(yi)=∑eyieyi:F.softmax(y)) 搭配使用 (softmax 负责产生上述概率输出) - logistic regression (按
sigmoid输出的概率大小分类) 已被 classification 代替
- 具体数学计算公式： − ∑ y i j log ( f ( x i ) j ) -\sum y_{ij}\log(f(x_i)_j) −∑yijlog(f(xi)j), 注意其中 f ( x i ) f(x_i) f(xi) 表示模型预测出的概率值如 0.1, 0.7, 0.2: