呼和浩特网站建设公司,水冷眸WordPress,西充县住房和城乡规划建设局网站,分析无线传感网络的体系架构损失函数总结#xff08;二#xff09;#xff1a;L1Loss、MSELoss 1 引言2 损失函数2.1 L1Loss2.2 MSELoss 3 总结 1 引言
在上一篇博文中介绍了损失函数是什么以及为什么使用损失函数#xff0c;从这一篇博文就开始关于损失函数有哪些进行进一步的介绍。这里放一张损失函… 损失函数总结二L1Loss、MSELoss 1 引言2 损失函数2.1 L1Loss2.2 MSELoss 3 总结 1 引言
在上一篇博文中介绍了损失函数是什么以及为什么使用损失函数从这一篇博文就开始关于损失函数有哪些进行进一步的介绍。这里放一张损失函数的机理图
2 损失函数
2.1 L1Loss
L1Loss也称为MAE Loss 平均绝对误差损失是一种用于回归任务的损失函数。它用于度量模型的预测值与实际目标之间的绝对差距。L1Loss的数学表达式如下 L L1 ( Y , Y ′ ) 1 n ∑ i 1 n ∣ y i − y i ′ ∣ L_{\text{L1}}(Y, Y) \frac{1}{n} \sum_{i1}^{n} |y_i - y_i| LL1(Y,Y′)n1i1∑n∣yi−yi′∣
其中 L L1 ( Y , Y ′ ) L_{\text{L1}}(Y, Y) LL1(Y,Y′) 是整个数据集上的L1损失。 n n n 是样本数量。 y i y_i yi 是第 i i i 个样本的实际目标值。 y i ′ y_i yi′ 是第 i i i 个样本的模型预测值。
代码实现Pytorch
# L1Loss实现
loss nn.L1Loss()
# 假设为预测值
input torch.randn(3, 5, requires_gradTrue)
# 实际值
target torch.randn(3, 5)
# 计算损失函数
output loss(input, target)
# 反向传播
output.backward()特点
只计算预测值和真实值之间差的绝对值对异常值离群点不敏感。
L1Loss损失函数适用于回归任务但是由于其对异常值不敏感的特点一般情况下效果均没MSELoss 效果好。现在很少使用。。。。
2.2 MSELoss
MSELossMean Squared Error Loss均方误差损失是一种用于回归任务的损失函数通常用于度量模型的预测值与实际目标之间的差距的平方。MSELoss的数学表达式如下 L MSE ( Y , Y ′ ) 1 n ∑ i 1 n ( y i − y i ′ ) 2 L_{\text{MSE}}(Y, Y) \frac{1}{n} \sum_{i1}^{n} (y_i - y_i)^2 LMSE(Y,Y′)n1i1∑n(yi−yi′)2
其中 L MSE ( Y , Y ′ ) L_{\text{MSE}}(Y, Y) LMSE(Y,Y′) 是整个数据集上的均方误差损失。 n n n 是样本数量 y i y_i yi 是第 i i i 个样本的实际目标值。 y i ′ y_i yi′ 是第 i i i 个样本的模型预测值。
代码实现Pytorch
loss nn.MSELoss()
input torch.randn(3, 5, requires_gradTrue)
target torch.randn(3, 5)
output loss(input, target)
output.backward()特点
对于与实际值偏差较大的点会更加敏感。
MSELoss 广泛用于各种回归任务算是最经典且最常使用的损失函数。。。。
3 总结
到此使用 损失函数总结二 已经介绍完毕了 如果有什么疑问欢迎在评论区提出对于共性问题可能会后续添加到文章介绍中。如果存在没有提及的损失函数也可以在评论区提出后续会对其进行添加
如果觉得这篇文章对你有用记得点赞、收藏并分享给你的小伙伴们哦。
