响应式设计网站,手机百度云网页版登录,教育培训东莞网站建设,asp 网站模板一、Loss Functions损失函数
损失函数的作用#xff1a; 1#xff0c;损失函数就是实际输出值和目标值之间的差 2#xff0c;由这个差便可以通过反向传播对之后的数据进行更新 Loss Functions官网给的API 里面由很多种损失函数#xff0c;不同的损失函数有其不同的用途及表…一、Loss Functions损失函数
损失函数的作用 1损失函数就是实际输出值和目标值之间的差 2由这个差便可以通过反向传播对之后的数据进行更新 Loss Functions官网给的API 里面由很多种损失函数不同的损失函数有其不同的用途及表达式
二、L1Loss损失函数
torch.nn.L1Loss(size_averageNone, reduceNone, reduction‘mean’) 由官网给的各参数使用可知size_average和reduce参数都已经被弃用了 而reduction有三个模式none、mean、sum import torch
from torch.nn import L1Lossinput torch.tensor([1,2,3],dtypetorch.float32)
target torch.tensor([4,5,6],dtypetorch.float32)input torch.reshape(input,(1,1,1,3))
target torch.reshape(target,(1,1,1,3))loss_1 L1Loss(reductionsum)
result_1 loss_1(input,target)
print(result_1)#tensor(9.) 4-1 5-2 6-3 9loss_2 L1Loss(reductionmean)
result_2 loss_2(input,target)
print(result_2)#tensor(3.) (4-1 5-2 6-3) / 3 3loss_3 L1Loss(reductionnone)
result_3 loss_3(input,target)
print(result_3)#tensor([[[[3., 3., 3.]]]])三、MSELoss均方误差损失函数
torch.nn.MSELoss(size_averageNone, reduceNone, reduction‘mean’)
import torchinput torch.tensor([1,2,3],dtypetorch.float32)
target torch.tensor([4,5,6],dtypetorch.float32)input torch.reshape(input,(1,1,1,3))
target torch.reshape(target,(1,1,1,3))loss_mse torch.nn.MSELoss()
result loss_mse(input,target)
print(result)#tensor(9.) [(4-1)^2 (5-2)^2 (6-3)^2] / 3 9四、CrossEntropyLoss交叉熵损失函数
torch.nn.CrossEntropyLoss(weightNone, size_averageNone, ignore_index- 100, reduceNone, reduction‘mean’, label_smoothing0.0)
假设x为三类狗0、猫1、猪2对应的输出概率为(1.0,2.0,3.0) 最后的真实目标结果为猪对应的是(2)
import torchx torch.tensor([1.0,2.0,3.0])
target torch.tensor([2])x torch.reshape(x,(1,3))#将x变成(N,C)形式 1维3类
print(x.shape)#torch.Size([1, 3])loss_cross torch.nn.CrossEntropyLoss()
result loss_cross(x,target)print(result)#tensor(0.4076)
