深度学习——（2）几种常见的损失函数

确定性大，熵越小
确定性小，熵越大

1.L1 loss

优点：一阶导是常熟

缺点：零点处不可导

import torch
from torch import nn
criterion_l1=nn.L1Loss(reduction='mean')
input=torch.randn(3,5,requires_grad=True)
target=torch.randn(3,5)
loss_l1=criterion_l1(input,target)
#计算过程
loss_l11=(abs(target-input)).sum()/15
loss_l1,loss_l11

2.MSEloss

二阶函数

缺点：梯度很大，会导致梯度爆炸；求导之后会存在梯度消失的现象

criterion_mse=nn.MSELoss()
loss_mse=criterion_mse(input,target)

#计算过程
loss_mse1=((target-input)**2).sum()/15
loss_mse,loss_mse1

3.smoothL1 loss

优点：结合了L1和MSE的优点，避免零点不可导以及梯度爆炸的状况

criterion_SML1=nn.SmoothL1Loss()
loss_sml1=criterion_SML1(input,target)
loss_sml1

4. 交叉熵 loss

criterion_cross=nn.CrossEntropyLoss(reduction='mean',label_smoothing=0.0)
loss_cross=criterion_cross(input,target)
loss_cross

5.KL散度loss——相对熵

criterion_KL=nn.KLDivLoss()
loss_KL=criterion_KL(input,target)
loss_KL