PyTorch-1.10(十)--torch.nn的损失函数

Loss Functions

nn.L1Loss	创建一个标准，用于测量输入x和目标y中每个元素之间的平均绝对误差(MAE)
nn.MSELoss	创建一个标准，用于测量输入x和目标y中每个元素之间的均方误差(平方L2范数)
nn.CrossEntropyLoss	计算输入和目标之间的交叉熵损失。
nn.CTCLoss	连接主义时间分类损失CTCLoss。
nn.NLLLoss	负对数似然损失。
nn.PoissonNLLLoss	目标泊松分布的负对数似然损失。
nn.GaussianNLLLoss	高斯负对数似然损失。
nn.KLDivLoss	Kullback-Leibler散度损失测度
nn.BCELoss	创建衡量目标和输入概率之间的二值交叉熵的标准：
nn.BCEWithLogitsLoss	将Sigmoid层和BCELoss融合一起.
nn.MarginRankingLoss	创建一个标准，用于测量给定输入x1、x2、两个1D小批量张量和标签1D小批量张量y（包含1或-1）的损失。
nn.HingeEmbeddingLoss	测量给定输入张量x和标签张量y（包含1或-1）的损失。
nn.MultiLabelMarginLoss	创建一个标准，用于优化输入x（2D小批量张量）和输出y（目标索引的2D张量）之间的多分类铰链损失（margin_based损失）。
nn.HuberLoss	创建一个标准，如果绝对元素误差低于增量，则使用平方项，否则使用增量缩放的L1项。
nn.SmoothL1Loss	创建一个标准，如果绝对元素误差低于β，则使用平方项，否则使用L1项。
nn.SoftMarginLoss	创建一个标准，用于优化输入张量x和目标张量y（包含1或-1）之间的两类分类逻辑损失。
nn.MultiLabelSoftMarginLoss	在输入x和目标y的大小（N，C）之间，根据最大熵去优化多标签一对多损失
nn.CosineEmbeddingLoss	创建一个标准，用于测量给定输入张量x1​  , x2​ 以及一个值为1或-1的张量标签y的损失。用余弦距离测量两个输入是否相似，用于学习非线性嵌入或半监督学习。
nn.MultiMarginLoss	创建一个标准，用于优化输入x（2D小批量张量）和输出y（目标索引的1D张量）之间的多类分类铰链损失0≤Y≤x.size(1)−1):
nn.TripletMarginLoss	在给定输入张量x1、x2、x3和大于0的裕度的情况下测量tripletloss。
nn.TripletMarginWithDistanceLoss	创建一个标准，用于测量给定输入张量a、p和n（分别代表锚、正和负示例）的tripletloss，以及一个非负实值函数（“距离函数”），用于计算锚和正示例（“正距离”）以及锚和负示例（“负距离”）之间的关系。