超级会员免费看
本文介绍了两种不常见的损失函数——MBELoss和RAELoss。MBELoss衡量模型预测误差的平均值，适用于对正负误差敏感的场景；RAELoss是相对绝对误差，用于评估预测模型精度，其值介于0和1之间。文章提供了Pytorch实现代码，并提醒读者使用时注意正负关系和特殊情况。
损失函数总结（十二）：MBELoss、RAELoss
1 引言
在前面的文章中已经介绍了介绍了一系列损失函数 (L1Loss、MSELoss、BCELoss、CrossEntropyLoss、NLLLoss、CTCLoss、PoissonNLLLoss、GaussianNLLLoss、KLDivLoss、BCEWithLogitsLoss、MarginRankingLoss、HingeEmbeddingLoss、MultiMarginLoss、MultiLabelMarginLoss、SoftMarginLoss、MultiLabelSoftMarginLoss、TripletMarginLoss、TripletMarginWithDistanceLoss、Huber Loss、SmoothL1Loss)。在这篇文章中，会接着上文提到的众多损失函数继续进行介绍，给大家带来更多不常见的损失函数的介绍。这里放一张损失函数的机理图：
2 损失函数
2.1 MBELoss
Mean Biased Error（MBE）是一种用于衡量模型或估算值的误差的指标</
订阅专栏 解锁全文
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
