tensorflow好強好厲害啊好牛逼啊！！太厲害！
so，我選擇pytorch，哈哈。
對於tensorflow，對於我一個深度新手來說，真的hold不住！
所以，我決定轉向其它比較友好的框架，等穩住了簡單的，有興趣或者有需要再來看看tensorflow。
L1範數損失 L1Loss
計算 output 和 target 之差的絕對值。
torch.nn.L1Loss(reduction='mean')
#reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。
均方誤差損失 MSELoss
計算 output 和 target 之差的均方差。
torch.nn.MSELoss(reduction='mean')
#reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。
交叉熵損失 CrossEntropyLoss
當訓練有 C 個類別的分類問題時很有效. 可選參數 weight 必須是一個1維 Tensor, 權重將被分配給各個類別. 對於不平衡的訓練集非常有效。
在多分類任務中，經常採用 softmax 激活函數+交叉熵損失函數，因爲交叉熵描述了兩個概率分佈的差異，然而神經網絡輸出的是向量，並不是概率分佈的形式。所以需要 softmax激活函數將一個向量進行“歸一化”成概率分佈的形式，再採用交叉熵損失函數計算 loss。
torch.nn.CrossEntropyLoss(weight=None,ignore_index=-100, reduction='mean')
#weight (Tensor, optional) – 自定義的每個類別的權重. 必須是一個長度爲 C 的 Tensor
#ignore_index (int, optional) – 設置一個目標值, 該目標值會被忽略, 從而不會影響到 輸入的梯度。
#reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean。
KL 散度損失 KLDivLoss
計算 input 和 target 之間的 KL 散度。KL 散度可用於衡量不同的連續分佈之間的距離, 在連續的輸出分佈的空間上(離散採樣)上進行直接回歸時 很有效.
torch.nn.KLDivLoss(reduction='mean')
#reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值；sum:返回loss的和。默認：mean
二進制交叉熵損失 BCELoss
二分類任務時的交叉熵計算函數。用於測量重構的誤差, 例如自動編碼機. 注意目標的值 t[i] 的範圍爲0到1之間.
torch.nn.BCELoss(weight=None, reduction='mean')
#weight (Tensor, optional) – 自定義的每個 batch 元素的 loss 的權重. 必須是一個長度爲 “nbatch” 的 的 Tensor
BCEWithLogitsLoss
BCEWithLogitsLoss損失函數把 Sigmoid 層集成到了 BCELoss 類中. 該版比用一個簡單的 Sigmoid 層和 BCELoss 在數值上更穩定, 因爲把這兩個操作合併爲一個層之後, 可以利用 log-sum-exp 的 技巧來實現數值穩定.
torch.nn.BCEWithLogitsLoss(weight=None, reduction='mean', pos_weight=None)
#weight (Tensor, optional) – 自定義的每個 batch 元素的 loss 的權重. 必須是一個長度 爲 “nbatch” 的 Tensor
MarginRankingLoss
torch.nn.MarginRankingLoss(margin=0.0, reduction='mean')
#margin:默認值0
對於 mini-batch(小批量) 中每個實例的損失函數如下:
HingeEmbeddingLoss
torch.nn.HingeEmbeddingLoss(margin=1.0, reduction='mean')
#margin:默認值1
對於 mini-batch(小批量) 中每個實例的損失函數如下:
多標籤分類損失 MultiLabelMarginLoss
torch.nn.MultiLabelMarginLoss(reduction='mean')
對於mini-batch(小批量) 中的每個樣本按如下公式計算損失:
平滑版L1損失 SmoothL1Loss
也被稱爲 Huber 損失函數。
torch.nn.SmoothL1Loss(reduction='mean')
而Z這個函數是這樣的:
2分類的logistic損失 SoftMarginLoss
torch.nn.SoftMarginLoss(reduction='mean')
多標籤 one-versus-all 損失 MultiLabelSoftMarginLoss
torch.nn.MultiLabelSoftMarginLoss(weight=None, reduction='mean')
cosine 損失 CosineEmbeddingLoss
torch.nn.CosineEmbeddingLoss(margin=0.0, reduction='mean')
#margin:默認值0
多類別分類的hinge損失 MultiMarginLoss
torch.nn.MultiMarginLoss(p=1, margin=1.0, weight=None, reduction='mean')
#p=1或者2 默認值：1
#margin:默認值1
三元組損失 TripletMarginLoss
和孿生網絡相似，具體例子：給一個A，然後再給B、C，看看B、C誰和A更像。
torch.nn.TripletMarginLoss(margin=1.0, p=2.0, eps=1e-06, swap=False, reduction='mean')
函數d是這樣計算的:
連接時序分類損失 CTCLoss
CTC連接時序分類損失，可以對沒有對齊的數據進行自動對齊，主要用在沒有事先對齊的序列化數據訓練上。比如語音識別、ocr識別等等。
torch.nn.CTCLoss(blank=0, reduction='mean')
#reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值； sum:返回loss的和。默認：mean。
負對數似然損失 NLLLoss
負對數似然損失. 用於訓練 C 個類別的分類問題.
torch.nn.NLLLoss(weight=None, ignore_index=-100, reduction='mean')
#weight (Tensor, optional) – 自定義的每個類別的權重. 必須是一個長度爲 C 的 Tensor
#ignore_index (int, optional) – 設置一個目標值, 該目標值會被忽略, 從而不會影響到 輸入的梯度.
NLLLoss2d
對於圖片輸入的負對數似然損失. 它計算每個像素的負對數似然損失.
torch.nn.NLLLoss2d(weight=None, ignore_index=-100, reduction='mean')
# weight (Tensor, optional) – 自定義的每個類別的權重. 必須是一個長度爲 C 的 Tensor
# reduction-三個值，none: 不使用約簡；mean:返回loss和的平均值； sum:返回loss的和。默認：mean。
PoissonNLLLoss
目標值爲泊松分佈的負對數似然損失
torch.nn.PoissonNLLLoss(log_input=True, full=False, eps=1e-08, reduction='mean')
# log_input (bool, optional) – 如果設置爲 True , loss 將會按照公 式 exp(input) - target * input 來計算, 如果設置爲 False , loss 將會按照 input - target * log(input+eps) 計算.
# full (bool, optional) – 是否計算全部的 loss, i. e. 加上 Stirling 近似項 target * # log(target) - target + 0.5 * log(2 * pi * target).
# eps (float, optional) – 默認值: 1e-8
如若侵權，請聯繫侵刪，謝謝。