深度学习中常见的损失函数

目录

一、损失函数的定义

二、常见的回归损失函数

1、L1 LOSS   (MAE平均绝对误差）

2. L2 LOSS（MSE均方差误差）

3. Smooth L1 LOSS

4.IOU LOSS及其各种变种

三、常见的分类损失函数

1.交叉熵损失函数 Cross Entropy Loss

2.Focal Loss

四、Reference

---

一、损失函数的定义

损失函数：用于衡量模型所作出的预测值与真实值之间的偏离程度。

损失函数主要分为回归损失(连续型)和分类损失(离散型)

损失函数，代价函数，目标函数之间的区别：

损失函数（Loss Function）定义在单个样本上，算的是单个样本的误差

代价函数（Cost Function）定义在整个训练集上，是所有样本误差的平均，也就是损失函数的平均

目标函数（Object Function）是最终需要优化的函数。即：经验风险+正则化项（Cost Function + Regularization）。

二、常见的回归损失函数

1、L1 LOSS   (MAE平均绝对误差）

 缺点：在0处不光滑，导数不连续，使得网络学习较慢

2. L2 LOSS（MSE均方差误差）

特点：学习速度比较快，但是对离群点比较敏感，离群点损失会在损失中占主导部分，需要自行调整学习率，防止出现梯度爆炸现象。

3. Smooth L1 LOSS

 综合了L1和L2损失的优点，在0处光滑可导，同时对于异常点鲁棒性较强。

4.IOU LOSS及其各种变种

IOU损失将侯选框的边界信息作为一个整体来进行回归，从而实现准确高效的定位，具有很好的尺度不变性。而smooth L1则没有考虑边界框边界之间的相关性。

三、常见的分类损失函数

1.交叉熵损失函数 Cross Entropy Loss

 这个是二分类的公式。对于多分类问题，交叉熵经常搭配softmax使用，将输出的结果进行处理，使其多个分类的预测值和为1，再通过交叉熵来计算损失。

2.Focal Loss

见我的这篇文章

Focal loss详解与分析_CVplayer111的博客-CSDN博客

四、Reference

机器学习-损失函数，代价函数，目标函数_时光偷走初心-的博客-CSDN博客