嘉兴网站建设,wordpress系列怎么做,网站建设开发html,网站如何做中英文双语言版本loss 函数
首先#xff0c;Loss 是允许不降到 0 的#xff0c;模型计算的 loss 最终结果可以接近 0。
可以成为 loss 函数的条件## 常用 loss
以下函数调用基于 Pytorch#xff0c;头文件导入#xff1a; import torch.nn as nn
均方差#xff08;MSE#xff09; nn.…loss 函数
首先Loss 是允许不降到 0 的模型计算的 loss 最终结果可以接近 0。
可以成为 loss 函数的条件## 常用 loss
以下函数调用基于 Pytorch头文件导入 import torch.nn as nn
均方差MSE nn.functional.mse_loss 定义 预测值与真实值之差的平方的平均值 应用场景 主要用于回归问题交叉熵Cross Entropy nn.functional.cross_entropy 要求二维的输入一维的输出 nn.CrossEntropyLoss 中已经实现了softmax功能 对于 y_pred 的要求是n * class_num对于 y 的要求是 n 交叉熵计算逻辑的例子 定义 衡量概率分布之间的差异 应用场景 主要用于分类问题尤其是二分类和多分类问题适用于输出层使用 sigmoid 或 softmax 激活函数的情况因为这些函数的输出可以解释为概率分布计算逻辑 -log(预测值与正确标签对位相乘再相加)使用前提 交叉熵的输入是一个概率值预测场景概率空间和结果为1log函数在x小于0时无定义 特点目前在分类问题上基本都采用交叉熵。使模型输出易于比较通过交叉熵损失通过归一化指将模型输出转换为概率分布来评估模型性能
记录应用不多的其他 loss以下 loss 有使用心得之后再做记录
0/1损失BCELoss 通常与 sigmoid 函数一起使用指数损失对数损失Hinge损失
