Caffe中的损失函数解析

Caffe中的损失函数解析

导言

在有监督的机器学习中，需要有标签数据，与此同时，也需要有对应的损失函数（Loss Function）。

在Caffe中，目前已经实现了一些损失函数，包括最常见的L2损失函数，对比损失函数，信息增益损失函数等等。在这里做一个笔记，归纳总结Caffe中用到的不同的损失函数，以及分析它们各自适合的使用场景。

欧式距离损失函数（Euclidean Loss）

输入：

预测的值：  y^∈[−∞,+∞] , 其中，它们的形状为： N×C×H×W

标签的值：  y∈[−∞,+∞] , 其中，它们的形状为： N×C×H×W

输出：

损失的值： Loss=12N∑Nn=1∥y^n−yn∥22

适合场景：

回归，特别是其回归的值是实数值得时候。

对比损失函数（Contrastive loss）

输入：

形状： (N×C×1×1)  特征  a∈[−∞,+∞]

形状： (N×C×1×1)  特征  b∈[−∞,+∞]

形状： (N×1×1×1)  相似性  y∈[0,1]

输出：

形状： (1×1×1×1)

对比损失函数为:  E=12N∑n=1N(y)d+(1−y)max(margin−d,0)

其中  d=||an−bn||22 .

适合场景：

可以用来训练Siamese网络

铰链损失函数（Hinge Loss）

输入：

形状： (N×C×H×W)  预测值  t∈[−∞,+∞]  代表着预测  K=CHW  个类中的得分（注：CHW表示着在网络设计中，不一定要把预测值进行向量化，只有其拉直后元素的个数相同即可。） . 在SVM中,  t  是 D 维特征 X∈RD×N , 和学习到的超平面参数 W∈RD×K  内积的结果  XTW  
所以，一个网络如果仅仅只有全连接层 + 铰链损失函数，而没有其它的可学习的参数，那么它就等价于SVM

标签值：

(N×1×1×1)  标签  l , 是一个整数类型的数  ln∈[0,1,2,...,K−1]  其代表在  K  个类中的正确的标签。

输出：

形状： (1×1×1×1)  
损失函数计算:  E=1N∑n=1N∑k=1K[max(0,1−δ{ln=k}tnk)]p ,  Lp  范数 (默认是  p=1 , 是 L1 范数; L2 范数,正如在 L2-SVM中一样,也有实现),

其中  δ{条件}={1−1成立不成立

应用场景：

在一对多的分类中应用,类似于SVM.

信息增益损失函数（InformationGain Loss）

输入：

1. 形状： (N×C×H×W)  预测值  p^∈[0,1]  内， 表示这预测每一类的概率，共  K=CHW  个类， 每一个预测 概率 p^n  的和为1:  ∀n∑k=1Kp^nk=1 .

2. 形状： (N×1×1×1)  标签值：  l , 是一个整数值，其范围是  ln∈[0,1,2,...,K−1]  表示着在  K  个类中的索引。

3. 形状： (1×1×K×K)  (可选) 信息增益矩阵  H .作为第三个输入参数，. 如果  H=I , 则它等价于多项式逻辑损失函数

输出：

形状： (1×1×1×1)

计算公式:  E=−1N∑n=1NHlnlog(p^n)=−1N∑n=1N∑k=1KHln,klog(p^n,k) , 其中  Hln  表示 行  ln  of  H .

多项式逻辑损失函数（Multinomial Logistic Loss）

输入：

形状： (N×C×H×W)  预测值  p^∈[0,1] 范围中， 表示这预测的每一类的概率，共  K=CHW  个类. 每一个预测概率 p^n  的和为1:  ∀n∑k=1Kp^nk=1 .

形状： (N×1×1×1)  标签  l , 是一个整数值，其范围是  ln∈[0,1,2,...,K−1]  表示着在  K  个类中的索引。

输出：

形状： (1×1×1×1)  计算公式:  E=−1N∑n=1Nlog(p^n,ln)

应用场景：

在一对多的分类任务中使用，直接把预测的概率分布作为输入.

Sigmoid 交叉熵损失函数（Sigmoid Cross Entropy Loss）

输入：

1. 形状:  (N×C×H×W)  得分  x∈[−∞,+∞] , 这个层使用 sigmoid 函数  σ(.)  映射到概率分布  p^n=σ(xn)∈[0,1]

2. 形状: (N×C×H×W)  标签  y∈[0,1]

输出：

1. 形状： (1×1×1×1)  计算公式:  E=−1n∑n=1N[pnlogp^n+(1−pn)log(1−p^n)]

应用场景： 
预测目标概率分布

Softmax+损失函数(Softmax With Loss)

输入：

1. 形状： (N×C×H×W)  预测值  x∈[−∞,+∞]  代表预测每个类的得分。 共  K=CHW  类. 这一层把得分通过softmax映射到概率分布  p^nk=exp(xnk)/[∑k′exp(xnk′)]

2. 形状： (N×1×1×1)  标签值 是一个整数值，其范围是  ln∈[0,1,2,...,K−1]  表示着在  K  个类中的索引。

输出：

1. 形状： (1×1×1×1)  计算公式:  E=−1N∑n=1Nlog(p^n,ln) , 其中  p^  为softmax输出的类概率。

应用场景：

在一对多分类中应用。

版权声明：本文为博主原创文章，未经博主允许不得转载。