Loss Functions

#L1loss:依次相减再除以个数
#Inputs(N,*)   N:batch_size多少个数据
#Targets(N,*)

# MSELOSS 均方差

#交叉熵：分类问题时 
#Inputs(N , C)    C:分类数
#Targets(N)

import torch
from torch.nn import L1Loss
from torch.nn import MSELoss
from torch.nn import CrossEntropyLoss
#from torch import nn   --->使用nn.MSELoss()


inputs = torch.tensor([1,2,3],dtype=torch.float32)   #计算时要求数是浮点数
targets = torch.tensor([1,2,5],dtype=torch.float32) #不能为整型

inputs = torch.reshape(inputs,(1,1,1,3))  #变为1batch_size,1channel,1行3列
targets = torch.reshape(targets,(1,1,1,3))

loss = L1Loss() #(reduction = 'sum')  #可以选择计算的方式reduction
result = loss(inputs,targets)  #将inputs和targets放在loss function中进行计算

loss_mse = MSELoss()
result_mse = loss_mse(inputs,targets)

print(result)#结果：tensor(0.6667)---》 [(1-1)+(2-2)+(5-3)]/3=0.6667
print(result_mse)#结果：tensor(1.3333)  ---》[(1-1)+(2-2)+(5-3)*2]/3