回归损失函数：L1 Loss, L2 Loss, Smooth L1 Loss

最新推荐文章于 2024-09-18 21:45:07 发布
最新推荐文章于 2024-09-18 21:45:07 发布
阅读量1.1k 收藏 2
点赞数
分类专栏： 机器学习 文章标签： 深度学习 机器学习 python
原文链接：https://www.cnblogs.com/wangguchangqing/p/12021638.html
版权

讲解的很清楚：
https://www.cnblogs.com/wangguchangqing/p/12021638.html

CVsaber
关注
专栏目录
【损失函数：1】L1、L2、SmoothL1（附Pytorch实现）
NorthSmile的博客
09-25 8465
作者自己是做图像去雾的，平常也会看一些其他的图像恢复方向的文章，比如图像去噪、图像增强、图像去模糊以及图像超分辨等。我们知道损失函数决定了网络训练目标，对于一个任务最后可以实现的功能影响很大，这里我就想把我见过的一些损失函数进行记录，供大家学习参考。
【AI面试】回归损失横评：L1 loss、L2 loss和Smooth L1 Loss，L1正则化和L2正则化、IOU loss系列
钱多多先森
05-03 2120
损失函数是深度学习模型优化的一个灵魂基础，所以无论是很新的transform模型，还是比较早期的AlexNet，都不可避免的要涉及到损失函数的设计和应用。 所以，各种形形色色的损失函数（Loss）也就成了面试场上，不经意间就会被牵扯到的问题。 其中，目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本次我们着重关注BoundingBox Loss 目标检测回归损失，之后有时间我们关注分类等损失函数。 1. L1 loss、
回归损失函数: L2 Loss
小花生的博客
05-07 1万+
均方误差（MSE），二次损失，L2损失 均方误差是最常用的回归损失函数，它是我们的目标变量和预测值的差值平方和。 下图是均方误差函数图，其中目标真值为100，预测值范围在-10000到10000之间。均方误差损失（Y轴）在预测值（X轴）=100处达到最小值。范围为0到∞。 摘录：https://zhuanlan.zhihu.com/p/39239829 注：博众家之所长，集群英之荟萃。 ...
目标检测回归损失函数：SmoothL1/IoU/GIoU/DIoU/CIoU Loss
scy的技术博客
04-24 2409
目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线是Smooth ->>L1 Loss ->> IoU Loss ->> GIoU Loss DIoU Loss ->> CIoU Loss，本文按照此路线进行讲解。 1. Smoot
深度学习 之 常见损失函数简介：名称、作用及用法
最新发布
m0_73697499的博客
09-18 1399
它用来度量模型预测结果与真实值之间的差异，从而指导模型参数的优化。: 用于分类问题，特别是多分类问题，衡量预测概率分布与真实标签之间的差异。: 在误差较小时表现出 MSE 的性质，在误差较大时表现出 L1 的性质。: 用于分类问题，特别是多分类问题，衡量预测概率分布与真实标签之间的差异。: 考虑了预测的不确定度，适用于需要估计预测不确定性的场景。: 当预测概率接近真实标签时，损失值较小，反之则较大。: 用于二分类问题，衡量预测概率与真实标签之间的差异。: 当预测概率接近真实标签时，损失值较小，反之则较大。
深度学习中常见的损失函数（L1Loss、L2loss）
热门推荐
qq_37925923的博客
10-17 2万+
损失函数
【损失函数】深度学习回归任务中你必须了解的三种损失函数，绝对误差损失（L1 Loss、MAE）均方误差损失（L2 Loss、MSE）以及平滑L1损失（Huber Loss）（2024最新整理）
Next_SummerAgain的博客
01-04 1万+
是预测值和真实值之差的绝对值的总和。其中，是样本数量，是第个样本的真实值，是第个样本的预测值。
【必知必会】2021最详细深度学习损失函数盘点【一】L1Loss、L2Loss、Smooth L1 Loss
菜鸡AI
05-03 4148
文章目录0 前言：1 定义2 特点3 常见的经典误差函数3.1 平均绝对误差MAE(L1 Loss)公式：图像：优点缺点应用场景：Ｐytorch示例：3.2 均方误差MSE（L2 Loss）公式：图像：优点缺点应用场景：pytorch示例：3.3 Smooth L1损失Paper:公式：对比L1、L2图像：Smooth L1优点：Pytorch设计Smooth_L1_loss：3.4 Binary Cross Entropy Loss(二分类交叉熵)3.5 Cross Entropy Loss交叉熵损失意义
回归问题常用损失函数L1Loss、L2Loss、SmoothL1Loss
weixin_44104200的博客
04-16 2663
L1范数误差(L1 loss) 代表：MAE(Mean Absolute Error, 均绝对误差)。即估计值f(x)f(x)f(x)与真实值yyy之间距离的均值。 MAE=1n∑i=1n∣f(xi)−yi∣MAE=\frac{1}{n}\sum_{i=1}^n|f(x_i)-y_i|MAE=n1​i=1∑n​∣f(xi​)−yi​∣ 优点 无论对于什么样的输入值，都有着稳定的梯度，不会导致梯度爆炸问题，具有较为稳健性的解。 对于离群点不那么敏感。因为MAEMAEMAE计算的是误差y−f(x)y−f(x)
交叉熵、Focal loss、L1，L2，smooth L1损失函数、IOU Loss、GIOU、DIOU和CIOU
weixin_44287997的博客
11-05 1784
交叉熵、Focal loss、L1，L2，smooth L1损失函数、IOU Loss、GIOU、DIOU和CIOU 联言命题 2020-02-23 21:36:37 ...
L1, L2以及smooth L1 loss
yang_daxia的博客
06-10 1万+
在机器学习实践中，你也许需要在神秘的L1和L2中做出选择。通常的两个决策为：1) L1范数 vs L2范数 的损失函数； 2) L1正则化 vs L2正则化。 作为损失函数   L1范数损失函数，也被称为最小绝对值偏差（LAD），最小绝对值误差（LAE）。总的说来，它是把目标值（YiYi）与估计值（f(xi)f(xi)）的绝对差值的总和（SS）最小化： S=∑i=1n|Yi−f(xi)...
L1&L2 Loss Function&Regularization
baidu_41816106的博客
10-24 408
链接： http://www.chioka.in/differences-between-l1-and-l2-as-loss-function-and-regularization/ 讲解： https://blog.csdn.net/chaowang1994/article/details/80388990
smooth l1用于线性回归预测简单例子
禾烁的博客
03-10 390
import random import matplotlib.pyplot as plt import tensorflow as tf def smooth_L1_loss_function(pred,target,gamma=0.5): pred=tf.cast(pred,tf.float32) target=tf.cast(target,tf.float32) diff = pred - target abs_diff = tf.abs(diff) smo
【回归损失函数】L1（MAE）、L2（MSE）、Smooth L1 Loss详解
Roaddd的博客
03-14 1万+
1. L1 Loss（Mean Absolute Error，MAE）        平均绝对误差（MAE）是一种用于回归模型的损失函数。MAE 是目标变量和预测变量之间绝对差值之和，因此它衡量的是一组预测值中的平均误差大小，而不考虑它们的方向，范围为 0~∞。 MAE公式如下： 导数： MAE图像如下： 主要问题：        导数为常数，在 Loss 函数最
L1 loss 是什么
a_145133的博客
04-24 5592
与L2 Loss（也称为Mean Squared Error）相比，L1 Loss更加鲁棒，对于异常值（outliers）的容忍性更高。因此，在某些需要考虑异常值的任务中，例如目标检测、人脸识别等领域，L1 Loss被广泛应用。L1 Loss（也称为Mean Absolute Error）是深度学习中常用的一种损失函数，用于衡量模型预测结果与真实标签之间的平均绝对误差。表示模型对于样本i的预测标签。将每个样本的绝对误差取平均值，得到L1 Loss。表示样本i的真实标签（ground truth），
目标检测中回归损失函数（L1Loss,L2Loss,Smooth L1Loss,IOU,GIOU,DIOU,CIOU,EIOU,αIOU ,SIOU)
zyw2002的博客
03-04 5547
为了解决CIoU的问题，有学者在CIOU的基础上将纵横比拆开，提出了EIOU Loss，并且加入Focal聚焦优质的预测框，与CIoU相似的，EIoU是损失函数的解决方案，只用于训练。在错误率小的地方，梯度的值也应当小，反之在错误率大的地方，梯度也应当大，因为这时候我们需要对错误率小的情况进行微调，而错误率大的地方进行大刀阔斧的调整；如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。DIoU的作者考虑到，在两个框中心点重合时，c与d的值都不变。
深度学习——常见损失函数Loss：L1 ，L2 ，MSE ，Binary Cross ，Categorical Cross ，Charbonnier ，Weighted TV ，PSNR
qq_40280673的博客
11-08 1万+
在深度学习中，损失函数是一个核心组件，它度量模型的预测结果与真实值之间的差异。通过最小化损失函数的值，模型能够在训练过程中逐渐改善其性能。损失函数为神经网络提供了一个明确的优化目标，是连接数据和模型性能的重要桥梁。
机器学习的L1、L2损失函数
走出那座山
05-09 4696
** 问题一：损失函数是什么？ ** 损失函数就一个具体的样本而言，模型预测的值与真实值之间的差距。 哦哦，这句话怎么理解呢，就是我们使用自己的算法模型，然后就是自己的模型产生了一个自己进行判断出来的y(猜)，然后我们放入模型进行训练的值就有一个y（真正），如何衡量我们模型产生的一个预测值和原本的值之间的差距呢，就是使用这个损失函数进行一个配对，让我们可以直观地看到机器学习的效果。 还有一种说法是：对于一个样本（xi,yi）其中yi为真实值，而f（xi）为我们的预测值。使用损失函数L（f(xi),yi
深度学习(23):SmoothL1Loss损失函数
biter0088的博客
05-01 5558
SmoothL1Loss损失函数
smooth L1 loss
05-28
Smooth L1 loss 是一种用于回归问题中的损失函数，通常用于目标检测中的边界框回归任务。Smooth L1 loss 是对 L1 loss 的改进，它相比于 L1 loss 更加平滑，可以减少异常值对损失函数的影响。具体来说，Smooth L1 ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值