Pytorch的19种损失函数
基本用法
1 |
criterion = LossCriterion() |
损失函数
L1范数损失:L1Loss
计算 output 和 target 之差的绝对值。
1 |
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。
均方误差损失:MSELoss
计算 output 和 target 之差的均方差。
1 |
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。
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。
1 |
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。
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。
1 |
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。
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。
1 |
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 Tensor。
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。
1 |
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。
MarginRankingLoss
1 |
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。
HingeEmbeddingLoss
1 |
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。
多标签分类损失:MultiLabelMarginLoss
1 |
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:
大专栏 Pytorch的19种损失函数 class="headerlink" title="平滑版L1损失:SmoothL1Loss">平滑版L1损失:SmoothL1Loss
也被称为 Huber 损失函数。
1 |
torch.nn.SmoothL1Loss(reduction='mean') |
其中,
2分类的logistic损失:SoftMarginLoss
1 |
torch.nn.SoftMarginLoss(reduction='mean') |
多标签 one-versus-all 损失:MultiLabelSoftMarginLoss
1 |
torch.nn.MultiLabelSoftMarginLoss(weight=None, reduction='mean') |
cosine 损失:CosineEmbeddingLoss
1 |
torch.nn.CosineEmbeddingLoss(margin=0.0, reduction='mean') |
参数:margin:默认值 0。
多类别分类的hinge损失:MultiMarginLoss
1 |
torch.nn.MultiMarginLoss(p=1, margin=1.0, weight=None, reduction='mean') |
参数:p=1 或者 2,默认值:1。margin:默认值为 1。
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。
1 |
torch.nn.TripletMarginLoss(margin=1.0, p=2.0, eps=1e-06, swap=False, reduction='mean') |
其中,
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。
1 |
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。
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。
1 |
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。
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。
1 |
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。
PoissonNLLLoss
目标值为泊松分布的负对数似然损失。
1 |
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。
Pytorch的19种损失函数的更多相关文章
- PyTorch的十七个损失函数
本文截取自<PyTorch 模型训练实用教程>,获取全文pdf请点击: tensor-yu/PyTorch_Tutorialgithub.com 版权声明:本文为博主原创文章,转载请附上 ...
- 入口点函数的19种消息,AcRxArxApp只处理16种。
AcRx::AppMsgCode一共有19种消息. 但由IMPLEMENT_ARX_ENTRYPOINT宏实现的App类,只处理了16种消息. 缺: kSuspendMsg = 16, kIni ...
- 用19种编程语言写Hello World
用19种编程语言写Hello World 转载自:http://www.admin10000.com/document/394.html Hello World 程序是每一种编程语言最基本的程序,通常 ...
- 如今领占主导地位的19种AI技术!
如今领占主导地位的19种AI技术! http://blog.itpub.net/31542119/viewspace-2212797/ 深度学习的突破将人工智能带进全新阶段. 2006 年-2015 ...
- lr中错误解决方法19种
一.Error -27727: Step download timeout (120 seconds)has expired when downloading resource(s). Set the ...
- pytorch自定义网络层以及损失函数
转自:https://blog.csdn.net/dss_dssssd/article/details/82977170 https://blog.csdn.net/dss_dssssd/articl ...
- 【小白学PyTorch】19 TF2模型的存储与载入
[新闻]:机器学习炼丹术的粉丝的人工智能交流群已经建立,目前有目标检测.医学图像.时间序列等多个目标为技术学习的分群和水群唠嗑的总群,欢迎大家加炼丹兄为好友,加入炼丹协会.微信:cyx64501661 ...
- pytorch(16)损失函数(二)
5和6是在数据回归中用的较多的损失函数 5. nn.L1Loss 功能:计算inputs与target之差的绝对值 代码: nn.L1Loss(reduction='mean') 公式: \[l_n ...
- pytorch(15)损失函数
损失函数 1. 损失函数概念 损失函数:衡量模型输出与真实标签的差异 \[损失函数(Loss Function): Loss = f(\hat y,y) \] \[代价函数(Cost Function ...
随机推荐
- vnpy交易学习接口(2)
#来源于github下载vnpy版本 20180413 11.多投资标的情况下,该如何修改? 10.stop和limit报单有什么区别呢? 在交易时用得最多的是二类定单,第一类是市价单(Market ...
- Vulkan SDK 之 Device
Enumerate Physical Devices Vulkan instance创建完成之后,vulkan loader是知道你有几个物理设备(显卡),但是程序不知道,需要通过 相关接口获取设备 ...
- Diligent Engine学习笔记初衷
2020年过去一个月了,回首过去的一年,工作确实很忙,但是自己个人的技术也没得到什么成长,项目当中一些比较难搞的问题也没得到更深入的研究.思来想去,希望新的一年能改变自己的工作方式,将工作上的事物进一 ...
- GPRS模块
一.参考网址 1.AT指令(中文详解版)(二)
- TP多条件查询实例
where条件查询,时间范围查询 $condition = [ ['member_id', '=', $member_id] ]; if($type) { $condition[] = ['type' ...
- vagrant 学习笔记
之所以学习他是因为最近换了电脑 又要重新搭环境 很烦躁然后就有了然后 1.先安装 virtualbox2.安装 vagrant3.安装xshell4.重启5.下载系统镜像 (可以去vagrant官网 ...
- 如何通过C语言获取主机WLAN下的IPv4地址,MAC地址
#include "stdio.h" #include "windows.h" void GetHostWLAN_IPv4_AND_MAC(char IPv4[ ...
- python print %s 号格式化输出
python %号格式化输出: 一种字符串格式化的语法, 基本用法是将值插入到%s占位符的字符串中. %s,表示格式化一个对象为字符 "%±(正负号表示)3(数字表示字符串的长度)s&quo ...
- python复习——数据输入输出
标准输入:x=input()…… 标准输出:print()…… 格式化输出:1.字符串格式化运算符% 例:print('Values are %s,%s,%s.'%(1,2,['one','two'] ...
- Servlet基础(java,idea)
IDEA的Tomcat配置Web的项目创建以及Servlet简单运行 登录测试 用到jdbc的知识 在Customer的DAO层实现类中实现检查用户登录方法 package impl; import ...