参考博客
https://zhuanlan.zhihu.com/p/58883095
常用的损失函数总结
loss一般是正的，训练过程中越来越小。
0-1 loss
- 应用场景：回归问题
- 只要预测值和标签值不相等或者差距大于阈值，loss+=1
- 直接对应分类判断错误的个数，属于非凸函数
abs loss（绝对值损失）
- 计算预测值与目标值的差的绝对值。
Mean Absolute Error（MAE）
- 也就是L1范数
- 应用场景：一般用于回归问题
- 在绝对值损失的基础上算平均值。
- pytorch实现代码如下：
square loss（平方损失）
- 应用场景：分类问题和回归问题都可以，经常应用于回归问题
- 预测和标签对应，然后求差的平方，累加起来就是平方损失
Mean Squared Error（MSE，均方差损失）
- 也叫做L2范数
- 应用场景：一般用于回归问题
- 预测和标签一一对应。在平方损失的基础上算了个平均值。
- Pytorch实现代码如下：
hinge loss（合页损失函数）
- 应用场景：N分类问题
- loss输入：模型输入一个N维向量为分类结果，针对这个向量计算loss.（这个N维向量一般是一个全连接层（线性层）的输出，是模型对于每个类别的打分。）不仅要分类正确，而且确信度要足够高。
-
向量的每个分量和正确分类的分量比较，如果差的不多甚至超过（说明有混淆），则在loss中反映出来。在下面的公式中， i 是正确的类别， t是阈值（一般为1，或是某个计算出来的平均值）。
或者
- pytorch的实现：
softmax loss
- 应用场景：N分类问题
- 模型输出一个N维向量，为模型预测的分类概率。
关于softmax可以参考：https://www.zhihu.com/question/23765351
cross entropy loss（交叉熵损失函数）
- 应用场景：NLP中很常用
多分类中如下，（应该在前面再求个平均）
二分类中也可以表示为：
y为实际的标签，a为预测的，求和的两项只会有一项存在。
相关问题
交叉熵与最大似然函数的联系和区别
- 区别：交叉熵函数使用来描述模型预测值和真实值的差距大小，越大代表越不相近；似然函数的本质就是衡量在某个参数下，整体的估计和真实的情况一样的概率，越大代表越相近。
- 联系：交叉熵函数可以由最大似然函数在伯努利分布的条件下推导出来，或者说最小化交叉熵函数的本质就是对数似然函数的最大化。
使用sigmoid作为激活函数的时候，应该用交叉熵损失函数，而不能用均方误差损失函数。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
