损失函数

TensorFlow和PyTorch很多是相似的，此处以PyTorch为例

1. L1范数损失 L1Loss

计算output和target之差的绝对值

torch.nn.L1Loss(reduction='mean')

参数：reduction的三个值，none：不适用约简；mean：返回loss的平均值；sum：返回loss的和。默认：mean

2. 均方误差损失MSELoss

计算output和target之差的均方差

torch.nn.MSELoss(reduction='mean')

参数：reduction的三个值，none：不适用约简；mean：返回loss的平均值；sum：返回loss的和。默认：mean

3.交叉熵损失 CrossEntropyLoss

当训练有 C 个类别的分类问题时很有效. 可选参数 weight 必须是一个1维 Tensor, 权重将被分配给各个类别. 对于不平衡的训练集非常有效。
在多分类任务中，经常采用 softmax 激活函数+交叉熵损失函数，因为交叉熵描述了两个概率分布的差异，然而神经网络输出的是向量，并不是概率分布的形式。所以需要 softmax激活函数将一个向量进行“归一化”成概率分布的形式，再采用交叉熵损失函数计算 loss。

torch.nn.CrossEntropyLoss(weight=None,ignore_index=-100,reduction='mean')

参数：weight (Tensor, optional) – 自定义的每个类别的权重. 必须是一个长度为 C 的 Tensor
ignore_index (int, optional) – 设置一个目标值, 该目标值会被忽略, 从而不会影响到 输入的梯度。
reduction-三个值，none: 不使用约简；mean:返回loss和的平均值；sum:返回loss的和。默认：mean。

KL散度损失 KLDivLoss

计算input与target之间的KL散度。KL散度可用于衡量不同的连续分布之间的距离，在连续的输出分布的空间上（离散采样）上直接进行回归时很有效。

torch.nn.KLDivLoss(reduciton='mean')

参数：reduction-三个值，none: 不使用约简；mean:返回loss和的平均值；sum:返回loss的和。默认：mean。

5.二进制的交叉熵损失BCELoss

二分类任务时的交叉熵计算函数。用于测量重构的误差，例如自动编码机，注意目标的值t[i]的范围为0到1之间

torch.nn.BCELoss(weight=None, reduction='mean')

参数：weight (Tensor, optional) – 自定义的每个 batch 元素的 loss 的权重. 必须是一个长度为 “nbatch” 的 的 Tensor

6.BCEWithLogitsLoss

BCEWithLogitsLoss损失函数把Sigmoid层集成到了BCELoss类中，该版比用一个更简单的Sigmoid层和BCELoss在数值上更稳定，因为把这个两个操作合并为一个层之后，可以利用log-sum-exp的技巧来实现数值稳定

torch.nn.BCEWithLogitsLoss(weight=None, reduction='mean', pos_weight=None)

参数：weight (Tensor, optional) – 自定义的每个 batch 元素的 loss 的权重. 必须是一个长度 为 “nbatch” 的 Tensor

7. MarginRankingLoss

torch.nn.MarginRankingLoss(margin=0.0, reduction='mean')

对于mini-batch（小批量）中每个实例的损失函数如下：

参数：margin：默认值0

8.HingeEmbeddingLoss

torch.nn.HingeEmbeddingLoss(margin=1.0, reduction='mean')

对于mini-batch中每个实例的损失函数如下：

参数：margin：默认值1

9. 多标签分类损失 MultiLabelMarginLoss

torch.nn.MultiLabelMarginLoss(reduction='mean')

对于mini-batch中每个样本按如下公式计算损失：

10.平滑版L1损失 SmoothL1Loss

也被成为Huber损失函数

torch.nn.SmoothL1Loss(reduction='mean')

其中

11.2分类的logsitic损失SoftMarginLoss

torch.nn.SoftMarginLoss(reduction='mean')

12.多标签one-versus-all损失MultiLabelSoftMarginLoss

torch.mm.MultiLabelSoftMarginLoss(weight=None, reduction='mean')

13. cosine 损失 CosineEmbeddingLoss

torch.nn.CosineEmbeddingLoss(margin=0.0, reduction='mean')

参数：margin：默认值0

14. 多分类的hinge损失 MultiMarginLoss

torch.nn.MultiMarginLoss(p=1, margin=1.0, weight=None, reduction='mean')

参数：p=1或者2 默认值1； margin：默认值1

15. 三元损失 TripletMarginLoss

torch.nn.TripletMarginLoss(margin=1.0, p=2.0, eps=1e-06, swap=False, reduction='mean')

其中：

16.连接时序分类损失 CTCLoss

CTC连接时序分类损失，可以对没有对齐的数据进行自动对齐，主要用在没有事先对齐的序列化数据训练上。比如语音识别、ocr识别等

torch.nn.CTCLoss(blank=0, reduction='mean')

参数：reduction-三个值，none: 不使用约简；mean:返回loss和的平均值；sum:返回loss的和。默认：mean。

17.负对数似然损失NLLLoss

负对数似然损失，用于训练C个类别的分类问题

torch.nn.NLLLoss(weight=None, ignore_index=-100, reduction='mean')

参数：weight (Tensor, optional) – 自定义的每个类别的权重. 必须是一个长度为 C 的 Tensor
ignore_index (int, optional) – 设置一个目标值, 该目标值会被忽略, 从而不会影响到 输入的梯度.

18.NLLLoss2d

对于图片输入的负对数似然损失，计算每个像素的负对数似然损失

torch.nn.NLLLoss2d(weight=None, ignore_index=-100, reduction='mean')

参数：weight (Tensor, optional) – 自定义的每个类别的权重. 必须是一个长度为 C 的 Tensor
reduction-三个值，none: 不使用约简；mean:返回loss和的平均值；sum:返回loss的和。默认：mean。

19.PoissonNLLLoss

目标值为泊松分布的负对数似然损失

torch.nn.PoissonNLLLoss(log_input=True, eps=1e-08, reduction='mean')

参数：log_input (bool, optional) – 如果设置为 True , loss 将会按照公 式 exp(input) - target * input 来计算, 如果设置为 False , loss 将会按照 input - target * log(input+eps) 计算.
full (bool, optional) – 是否计算全部的 loss, i. e. 加上 Stirling 近似项 target * log(target) - target + 0.5 * log(2 * pi * target).
eps (float, optional) – 默认值: 1e-8