原文: http://www.voidcn.com/article/p-rtzqgqkz-bpg.html

最近看了下 PyTorch 的损失函数文档,整理了下自己的理解,重新格式化了公式如下,以便以后查阅。

注意下面的损失函数都是在单个样本上计算的,粗体表示向量,否则是标量。向量的维度用

表示。

nn.L1Loss


nn.SmoothL1Loss

也叫作 Huber Loss,误差在 (-1,1) 上是平方损失,其他情况是 L1 损失。


nn.MSELoss

平方损失函数


nn.BCELoss

二分类用的交叉熵,TODO


nn.CrossEntropyLoss

交叉熵损失函数




是没有经过 Softmax 的激活值。参考 cs231n 作业里对 Softmax Loss 的推导。

nn.NLLLoss

负对数似然损失函数(Negative Log Likelihood)


在前面接上一个 LogSoftMax 层就等价于交叉熵损失了。注意这里的

和上个交叉熵损失里的不一样(虽然符号我给写一样了),这里是经过

运算后的数值,

nn.NLLLoss2d

和上面类似,但是多了几个维度,一般用在图片上。

  • input, (N, C, H, W)
  • target, (N, H, W)

比如用全卷积网络做 Semantic Segmentation 时,最后图片的每个点都会预测一个类别标签。

nn.KLDivLoss

KL 散度,又叫做相对熵,算的是两个分布之间的距离,越相似则越接近零。


注意这里的



概率,刚开始还以为 API 弄错了。

nn.MarginRankingLoss

评价相似度的损失


这里的三个都是标量,y 只能取 1 或者 -1,取 1 时表示 x1 比 x2 要大;反之 x2 要大。参数 margin 表示两个向量至少要相聚 margin 的大小,否则 loss 非负。默认 margin 取零。

nn.MultiMarginLoss

多分类(multi-class)的 Hinge 损失,


其中

表示标签,

默认取 1,

默认取 1,也可以取别的值。参考 cs231n 作业里对 SVM Loss 的推导。

nn.MultiLabelMarginLoss

多类别(multi-class)多分类(multi-classification)的 Hinge 损失,是上面 MultiMarginLoss 在多类别上的拓展。同时限定 p = 1,margin = 1.


这个接口有点坑,是直接从 Torch 那里抄过来的,见 MultiLabelMarginCriterion 的描述。而 Lua 的下标和 Python 不一样,前者的数组下标是从 1 开始的,所以用 0 表示占位符。有几个坑需要注意,

  1. 这里的

    都是大小为

    的向量,如果

    不是向量而是标量,后面的

    就没有了,因此就退化成上面的 MultiMarginLoss.
  2. 限制

    的大小为

    ,是为了处理多标签中标签个数不同的情况,用 0 表示占位,该位置和后面的数字都会被认为不是正确的类。如

    那么就会被认为是属于类别 5 和 3,而 4 因为在零后面,因此会被忽略。
  3. 上面的公式和说明只是为了和文档保持一致,其实在调用接口的时候,用的是 -1 做占位符,而 0 是第一个类别。

举个梨子,

import torch
loss = torch.nn.MultiLabelMarginLoss()
x = torch.autograd.Variable(torch.FloatTensor([[0.1, 0.2, 0.4, 0.8]]))
y = torch.autograd.Variable(torch.LongTensor([[3, 0, -1, 1]]))
print loss(x, y) # will give 0.8500

按照上面的理解,第 3, 0 个是正确的类,1, 2 不是,那么,


*注意这里推导的第二行,我为了简短,都省略了 max(0, x) 符号。

nn.SoftMarginLoss

多标签二分类问题,这

项都是二分类问题,其实就是把

个二分类的 loss 加起来,化简一下。其中

只能取

两种,代表正类和负类。和下面的其实是等价的,只是

的形式不同。


nn.MultiLabelSoftMarginLoss

上面的多分类版本,根据最大熵的多标签 one-versue-all 损失,其中

只能取

两种,代表正类和负类。


nn.CosineEmbeddingLoss

余弦相似度的损失,目的是让两个向量尽量相近。注意这两个向量都是有梯度的。


margin 可以取

,但是比较建议取 0-0.5 较好。

nn.HingeEmbeddingLoss

不知道做啥用的。另外文档里写错了,

的维度应该是一样的。


nn.TripleMarginLoss


其中


2