Pytorch常用损失函数nn.BCEloss()；nn.BCEWithLogitsLoss()；nn.CrossEntropyLoss()；nn.L1Loss()； nn.MSELoss()；

nn.BCEloss()

• 衡量输出与目标之间的二分类交叉熵
• 功能：二分类交叉熵，输入值取值在[0,1]
  

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

• weight: 默认None，用于计算损失的手动尺度化的权重、张量
• reduction：默认mean, 指定用于输出的缩减方式，另可选：none、sum；none：不应用缩减，mean：输出的和除以输出内元素数；sum：输出加和
• 输入：input – 形状为$\left(N,\ast \right)$，N为样本数量，*为任意其他维度
• 输入：target – 形状$\left(N,\ast \right)$，形状同input
• 输出：output – 标量（reduction若为none，则形状同input）

nn.BCEWithLogitsLoss()

• 此损失函数将 Sigmoid 层和 BCELoss 整合在一起

• 比简单地将 Sigmoid 层加上 BCELoss 损失更稳定，因为使用了 log-sun-exp 技巧获得数值稳定性
  

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

• weight：默认 None，用于计算损失的手动尺度化的权重，张量

• reduction：默认 ‘mean’，指定应用于输出的缩减方式，另可选 ‘none’，‘sum’；‘none’：不应用缩减；‘mean’：输出的和除以输出内元素数；‘sum’：输出加和

• pos_weight：默认 None，正例的权重，需为长度为类别数的向量；

• 输入：input – 形状为，为样本数量，为任意其他维度

• 输入：target – 形状，形状同input

• 输出：output – 标量（reduction若为none，则形状同input）

nn.CrossEntropyLoss

nn.CrossEntropyLoss(
		weight=None,
		size_average=None,
		ignore_index=-100,
		reduce=None,
		reduction=‘mean’
		)

• weight：各类别的loss设置权值
• ignore_index：忽略某个类别
• reduction ：计算模式，可为none/sum/mean，none- 逐个元素计算，sum- 所有元素求和，返回标量，mean- 加权平均，返回标量

nn.L1Loss

• 功能： 计算inputs与target之差的绝对值
  

nn.MSELoss

• 功能： 计算inputs与target之差的平方
  

nn.KLDivLoss

• 功能：计算KLD（divergence），KL散度，相对熵
• 注意事项：需提前将输入计算 log-probabilities，如通过nn.logsoftmax()