收藏 | 深度学习损失函数大全
来源:机器学习与数学
本文约7600字,建议阅读10+分钟。
Tensorflow 和 PyTorch 很多都是相似的,这里以 PyTorch 为例。
一、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。
二、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。
三、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。
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。
四、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。
五、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。
六、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。
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。
七、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:参数:
margin:默认值0
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。
八、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:
参数:
margin:默认值1
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。
九、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:
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。
十、平滑版L1损失 SmoothL1Loss
也被称为 Huber 损失函数。
torch.nn.SmoothL1Loss(reduction='mean')
其中:
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。
十一、2分类的logistic损失 SoftMarginLoss
torch.nn.SoftMarginLoss(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。
十二、多标签 one-versus-all 损失 MultiLabelSoftMarginLoss
torch.nn.MultiLabelSoftMarginLoss(weight=None, 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。
十三、cosine 损失 CosineEmbeddingLoss
torch.nn.CosineEmbeddingLoss(margin=0.0, reduction='mean')
参数:
margin:默认值0
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。
十四、多类别分类的hinge损失 MultiMarginLoss
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:1
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。
十五、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。
torch.nn.TripletMarginLoss(margin=1.0, p=2.0, eps=1e-06, swap=False, reduction='mean')
其中:
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。
十六、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。
十七、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。
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。
十八、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。
十九、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
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。
仅作学术分享,若侵权请联系删除
作者:
mingo_敏
来源:
https://blog.csdn.net/shanglianlm/article/details/85019768
编辑:黄继彦
校对:杨学俊
收藏 | 深度学习损失函数大全相关推荐
- 收藏 | 深度学习损失函数大全(附代码实现)
点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要15分钟 Follow小博主,每天更新前沿干货 来源:机器学习与数学 Tensorflow 和 PyTorch 很多都是相似的,这里以 PyT ...
- 深度学习损失函数大全
深度学习损失函数大全 比focal loss好的GHM 常见损失函数汇总 - 知乎 有图展示,效果还可以: 激活函数/损失函数汇总 - 知乎 这个也不错: 损失函数汇总(全网最全) - WSX_199 ...
- 总结 | 深度学习损失函数大全
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自|计算机视觉联盟 tensorflow和pytorch很多 ...
- 跨年之际,中文版畅销书《TensorFlow深度学习实战大全》分享,直接送!
点击上方"AI遇见机器学习",选择"星标"公众号 重磅干货,第一时间送达 跨年之际,给大家一份福利,赠书抽奖,一共4本!感兴趣的同学可以参与一下,奖品是新书&l ...
- Github 上近万星的深度学习模型大全!
点击我爱计算机视觉标星,更快获取CVML新技术 今天跟大家分享一个Github上的热门项目,深度学习模型大全: https://github.com/rasbt/deeplearning-models ...
- 新年快乐!这是份值得收藏的2017年AI与深度学习要点大全
若朴 夏乙 编译自 WILDML 量子位 出品 | 公众号 QbitAI 2017已经正式离我们远去. 过去的一年里,有很多值得梳理记录的内容.博客WILDML的作者.曾在Google Brain做了 ...
- 收藏 | 深度学习调参有哪些技巧?
点上方计算机视觉联盟获取更多干货 仅作学术分享,不代表本公众号立场,侵权联系删除 转载于:作者丨DOTA.永无止境.冯迁 来源丨知乎问答 编辑丨极市平台 AI博士笔记系列推荐 周志华<机器学习& ...
- c++ log函数_认识这19种深度学习损失函数,才能说你了解深度学习!
编辑:深度学习自然语言处理小编zenRRan 损失函数是深度学习中重要的概念,选择合适的损失函数是系统能够得到理想结果的保证,本文将以pytorch工具为例,介绍这19中损失函数与实现方法. 19种损 ...
- 收藏 | 深度学习调试经验
点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 仅作学术分享,不代表本公众号立场,侵权联系删除 转载于:作者丨土豆@知乎 来源丨https://zhuanlan.z ...
最新文章
- 攻城时服务器维护,8月31日服务器维护更新公告
- php文件上传漏洞waf,文件上传绕过WAF
- coreboot学习4:启动流程跟踪之romstage阶段
- 使用PADDING-TOP:(PERCENTAGE)实现响应式背景图片
- 考完试写一套新闻系统
- 图像像素点赋值_OpenCV学习笔记(二)之图像阈值化
- vue前端项目打包并且在服务器上部署过程
- android.util.typedvalue的jar包,android – 了解Typed值类
- Win 95 使用技巧
- 8.0高等数学五-斯托克斯公式
- 基于预测分析表法的语法分析程序
- Android媒体库你了解多少
- android如何暂停倒计时,Android计时器和倒计时的实现(含开始,暂停,和复位)...
- C++开源游戏推荐,reshade游戏画质增强工具
- TraceBack的用法
- 几个简单的数据点平滑处理算法
- spring源码编译导入eclipse
- OpenCV学习之利用背景建模检测运动物体
- python3 多表入库再优化
- http://www.52mybb.com/ 我爱我宝贝
热门文章
- 如何取消linux响铃_linux初学者入门:VIM编辑简易指南(常用操作)
- adc0832对光电二极管进行数据采集_实车采集的现场数据如何导入控制模型进行分析...
- 语音识别wav2letter++简介
- 随笔 - 141 文章 - 0 评论 - 214 IIS7 禁止目录运行脚本
- gulp将多张小图自动合成雪碧图
- 用buildout来构建python项目
- JS设计模式学习实例之单例模式
- netmon工作原理
- mybatis 取list第一个_MyBatis基础搭建及架构概述
- python next用法