PyTorch中常見損失函數(shù)的使用詳解

更新時(shí)間：2023年06月18日 11:34:38 作者：夏天是冰紅茶

損失函數(shù)，又叫目標(biāo)函數(shù)，是指計(jì)算機(jī)標(biāo)簽值和預(yù)測值直接差異的函數(shù)，本文為大家整理了PyTorch中常見損失函數(shù)的簡單解釋和使用，希望對大家有所幫助

損失函數(shù)

損失函數(shù)，又叫目標(biāo)函數(shù)。在編譯神經(jīng)網(wǎng)絡(luò)模型必須的兩個(gè)參數(shù)之一。另一個(gè)必不可少的就是優(yōu)化器，我將在后面詳解到。

重點(diǎn)

損失函數(shù)是指計(jì)算機(jī)標(biāo)簽值和預(yù)測值直接差異的函數(shù)。

這里我們會(huì)結(jié)束幾種常見的損失函數(shù)的計(jì)算方法，pytorch中也是以及定義了很多類型的預(yù)定義函數(shù)，具體的公式不需要去深究（學(xué)了也不一定remember），這里暫時(shí)能做就是了解。

我們先來定義兩個(gè)二維的數(shù)組，然后用不同的損失函數(shù)計(jì)算其損失值。

import torch
from torch.autograd import Variable
import torch.nn as nn
sample=Variable(torch.ones(2,2))
a=torch.Tensor(2,2)
a[0,0]=0
a[0,1]=1
a[1,0]=2
a[1,1]=3
target=Variable(a)
print(sample,target)

這里：

sample的值為tensor([[1., 1.],[1., 1.]])

target的值為tensor([[0., 1.],[2., 3.]])

nn.L1Loss

L1Loss計(jì)算方法很簡單，取預(yù)測值和真實(shí)值的絕對誤差的平均數(shù)。

loss=FunLoss(sample,target)['L1Loss']
print(loss)

在控制臺(tái)中打印出來是

tensor(1.)

它的計(jì)算過程是這樣的：(∣0−1∣+∣1−1∣+∣2−1∣+∣3−1∣)/4=1，先計(jì)算的是絕對值求和，然后再平均。

nn.SmoothL1Loss

SmoothL1Loss的誤差在（-1，1）上是平方損失，其他情況是L1損失。

loss=FunLoss(sample,target)['SmoothL1Loss']
print(loss)

在控制臺(tái)中打印出來是

tensor(0.6250)

nn.MSELoss

平方損失函數(shù)。其計(jì)算公式是預(yù)測值和真實(shí)值之間的平方和的平均數(shù)。

loss=FunLoss(sample,target)['MSELoss']
print(loss)

在控制臺(tái)中打印出來是

tensor(1.5000)

nn.CrossEntropyLoss

交叉熵?fù)p失公式

此公式常在圖像分類神經(jīng)網(wǎng)絡(luò)模型中會(huì)常常用到。

loss=FunLoss(sample,target)['CrossEntropyLoss']
print(loss)

在控制臺(tái)中打印出來是

tensor(2.0794)

nn.NLLLoss

負(fù)對數(shù)似然損失函數(shù)

需要注意的是，這里的xlabel和上面的交叉熵?fù)p失里的是不一樣的，這里是經(jīng)過log運(yùn)算后的數(shù)值。這個(gè)損失函數(shù)一般用在圖像識(shí)別的模型上。

loss=FunLoss(sample,target)['NLLLoss']
print(loss)

這里，控制臺(tái)報(bào)錯(cuò)，需要0D或1D目標(biāo)張量，不支持多目標(biāo)?？赡苄枰渌囊恍l件，這里我們?nèi)绻龅搅嗽僬f。

損失函數(shù)模塊化設(shè)計(jì)

class FunLoss():
    def __init__(self, sample, target):
        self.sample = sample
        self.target = target
        self.loss = {
            'L1Loss': nn.L1Loss(),
            'SmoothL1Loss': nn.SmoothL1Loss(),
            'MSELoss': nn.MSELoss(),
            'CrossEntropyLoss': nn.CrossEntropyLoss(),
            'NLLLoss': nn.NLLLoss()
        }
    def __getitem__(self, loss_type):
        if loss_type in self.loss:
            loss_func = self.loss[loss_type]
            return loss_func(self.sample, self.target)
        else:
            raise KeyError(f"Invalid loss type '{loss_type}'")
if __name__=="__main__":
    loss=FunLoss(sample,target)['NLLLoss']
    print(loss)