点击进入专栏:
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程
文章目录
- 概述
- CrossEntropyLoss
-
- 0.Quick Start
- 1.参数
- 2.计算过程
- 3.损失函数输入及输出的Tensor形状
-
- 3.1简单情况(一个样本)
- 3.2多个样本(一个batch)
- 3.3三维情况(多样本+多通道)
- BCELoss和BCEWithLogitsLoss以及CrossEntropyLoss
-
- 前言
- BCELoss原理
- BCELoss实操
-
- 二分类情况
- 多分类情况
- CrossEntropyLoss
- BCEWithLogitsLoss
- 对比三种交叉熵损失函数
- Smooth L1 Loss
-
- Smooth L1 Loss的公式
- 特点
- 应用
- torch.nn.NLLLOSS
-
- 一、torch.nn.NLLLOSS运算规则
- 二、与torch.nn.CrossEntropyLoss的区别
- 1. 机器学习
- 2. 深度学习与目标检测
- 3. YOLOv5
- 4. YOLOv5改进
- 5. YOLOv8及其改进
- 6. Python与PyTorch
- 7. 工具
- 8. 小知识点
- 9. 杂记
官网
torch.nn - PyTorch中文文档 (pytorch-cn.readthedocs.io)
概述
损失函数 | torch.nn | 用途 | 特点 | 应用场景 |
---|---|---|---|---|
交叉熵损失 | CrossEntropyLoss | 多分类问题 | 当模型对真实类别的预测概率低时,损失迅速增加 | 适用于分类任务,特别是输出层使用Softmax函数时 |
二元交叉熵损失 | BCELoss BCEWithLogitsLoss |
二分类问题 |