randn函数加噪声_语义分割中常用的损失函数1（基础篇）

最新推荐文章于 2023-09-15 15:16:52 发布

weixin_39663378

最新推荐文章于 2023-09-15 15:16:52 发布

阅读量255

点赞数

文章标签： randn函数加噪声

本文链接：https://blog.csdn.net/weixin_39663378/article/details/111674511

版权

这篇博客介绍了在语义分割中常用的损失函数，包括L1 Loss和L2 Loss，主要应用于回归问题。重点讲解了交叉熵损失，从KL散度的角度解释其在分类任务中的作用，详细阐述了在多分类one-hot编码和二分类0-1编码情况下的应用。还提到了PyTorch中与交叉熵相关的损失函数，如CrossEntropyLoss和NLLLoss。

摘要由CSDN通过智能技术生成

一、L1、L2 loss (分割中不常用，主要用于回归问题)

L1 Loss

L1 Loss 主要用来计算 input x 和 target y 的逐元素间差值的平均绝对值.

pytorch表示为：

torch.nn.functional.l1_loss(input, target, size_average=True)

size_average主要是考虑到minibatch的情况下，需要求平均。

loss = nn.L1Loss()
input = torch.randn(3, 5, requires_grad=True)
target = torch.randn(3, 5)
output = loss(input, target)  #是一个标量
output.backward()
# 求这个标量loss对每个input元素的梯度 可以用input.grad显示出来L2 损失（MSE loss）L2 Loss