目录
5、nn.L1Loss
功能:计算inputs与target之差的绝对值;
主要参数:reduction:计算模式,可为none/sum/mean;none是逐个元素计算,sum是所有元素求和,返回标量;mean是加权平均,返回标量;
计算公式:
nn.L1Loss(size_average=None,reduce=None,reduction='mean')
通过代码观察其功能:
import torch
import torch.nn as nn
import torch.nn.functional as F
import matplotlib.pyplot as plt
import numpy as np
from toolss.common_tools import set_seed
set_seed(1) # 设置随机种子
inputs = torch.ones((2, 2))
target = torch.ones((2, 2)) * 3 # [[3,3],[3,3]]
loss_f = nn.L1Loss(reduction='none')
loss = loss_f(inputs, target)
print("input:{}\ntarget:{}\nL1 loss:{}".format(inputs, target, loss))
其输出为:
input:tensor([[1., 1.],
[1., 1.]])
target:tensor([[3., 3.],
[3., 3.]])
L1 loss:tensor([[2., 2.],
[2., 2.]])
6、nn.MSELoss
功能:计算inputs与target之差的平方;
主要参数:reduction:计算模式,可为none/sum/mean;none是逐个元素计算,sum是所有元素求和,返回标量;mean是加权平均,返回标量;
计算公式:
nn.MSELoss(size_average=None,reduce=None,reduction='mean')
通过代码观察其功能:
import torch
import torch.nn as nn
import torch.nn.functional as F
import matplotlib.pyplot as plt
import numpy as np
from toolss.common_tools import set_seed
set_seed(1) # 设置随机种子
inputs = torch.ones((2, 2))
target = torch.ones((2, 2)) * 3 # [[3,3],[3,3]]
loss_f_mse = nn.MSELoss(reduction='none')
loss_mse = loss_f_mse(inputs, target)
print("MSE loss:{}".format(loss_mse))
其输出为:
MSE loss:tensor([[4., 4.],
[4., 4.]])
7、nn.SmoothL1Loss
功能:平滑的L1Loss
主要参数:reduction:计算模式,可为none/sum/mean;none是逐个元素计算,sum是所有元素求和,返回标量;mean是加权平均,返回标量;
计算公式:公式中的是指模型的输出,是指标签,看一下平滑的L1Loss和L1Loss的示意图:
从图中可以看到,X轴是,当时,采用的是L2Loss,通过平方取代L1Loss来实现平滑的过程,通过平滑可以减轻离群点带来的影响。
nn.SmoothL1Loss(size_average=None,reduce=None,reduction='mean')
现在通过代码观看SmoothL1Loss的实现,代码中同时使用L1Loss和SmoothL1Loss比较:
inputs = torch.linspace(-3, 3, steps=500) # -3到3均匀取500个点
target = torch.zeros_like(inputs) # target的形状和inputs一样,但是target值全为零
loss_f = nn.SmoothL1Loss(reduction='none') # 平滑L1Loss
loss_smooth = loss_f(inputs, target)
loss_l1 = np.abs(inputs.numpy()) # L1Loss
plt.plot(inputs.numpy(), loss_smooth.numpy(), label='Smooth L1 Loss')
plt.plot(inputs.numpy(), loss_l1, label='L1 loss')
plt.xlabel('x_i - y_i')
plt.ylabel('loss value')
plt.legend()
plt.grid()
plt.show()
上面代码的输出为:
可以发现,其输出和我们介绍的图案是一样的。
8、nn.PoissonNLLLoss
功能:泊松分布的负对数似然损失函数;
主要参数:
- log_input:输入是否为对数形式,决定计算形式;
- full:计算所有损失,默认为False;
- eps:修正项,避免log(input)为nan;
nn.PoissonNLLLoss(log_input=True,full=False,size_average=None,eps=1e-08,reduce=None,reduction='mean')
log_input = True:loss(input, target) = exp(input) - target * input
log_input = False:input - target * log(input + eps)
其代码使用为:
inputs = torch.randn((2, 2))
target = torch.randn((2, 2))
loss_f = nn.PoissonNLLLoss(log_input=True, full=False, reduction='none')
loss = loss_f(inputs, target)
print("input:{}\ntarget:{}\nPoisson NLL loss:{}".format(inputs, target, loss))
代码的输出为:
input:tensor([[0.6614, 0.2669],
[0.0617, 0.6213]])
target:tensor([[-0.4519, -0.1661],
[-1.5228, 0.3817]])
Poisson NLL loss:tensor([[2.2363, 1.3503],
[1.1575, 1.6242]])
9、nn.KLDivLoss
功能:计算KLD(divergence),KL散度,相对熵;
注意事项:需提前将输入计算log-probabilities,如通过nn.logsoftmax();
主要参数:reduction:none/sum/mean/batchmean;batchsize是在batchsize维度求平均值;
计算公式:公式中的P是真实的分布,Q是模型输出的分布,我们要让Q的分布逼近P的分布由于公式只是对一个样本计算损失函数,因此没有求和符号;KL散度公式中的对应损失函数中的,loss函数中减去的是,而KL散度中是,因此需要提前将输入计算log-probabilities,经过logsoftmax之后就可以在loss中直接减去,这可以通过Pytorch中的nn.logsoftmax()实现。
nn.KLDivLoss有一个特别的参数,就是reduction中的batchmean,基于batchsize维度求取平均值,除数不是元素个数而是batchsize大小。
nn.KLDivLoss(size_average=None, reduce=None,reduction='mean')
下面通过代码学习nn.KLDivLoss,其代码如下:
inputs = torch.tensor([[0.5, 0.3, 0.2], [0.2, 0.3, 0.5]])
inputs_log = torch.log(inputs)
target = torch.tensor([[0.9, 0.05, 0.05], [0.1, 0.7, 0.2]], dtype=torch.float)
loss_f_none = nn.KLDivLoss(reduction='none')
loss_f_mean = nn.KLDivLoss(reduction='mean')
loss_f_bs_mean = nn.KLDivLoss(reduction='batchmean')
loss_none = loss_f_none(inputs, target)
loss_mean = loss_f_mean(inputs, target)
loss_bs_mean = loss_f_bs_mean(inputs, target)
print("loss_none:\n{}\nloss_mean:\n{}\nloss_bs_mean:\n{}".format(loss_none, loss_mean, loss_bs_mean))
其输出为:
loss_none:
tensor([[-0.5448, -0.1648, -0.1598],
[-0.2503, -0.4597, -0.4219]])
loss_mean:
-0.3335360586643219
loss_bs_mean:
-1.000608205795288
10、nn.MarginRankingLoss
功能:用于计算两个向量之间的相似度,用于排序任务;
特别说明:该方法计算两组数据之间的差异,返回一个n*n的loss矩阵;
主要参数:
- margin:边界值,x1与x2之间的差异值;
- reduction:计算模式,可为none/sum/mean;
Loss计算公式:公式中的y指的是标签,取值只能是1和-1;x1和x2就是两组数据,两个向量的每个元素计算其差值。
考虑一下Loss公式中-y的作用:
- y=1时,希望x1比x2大,当x1大于x2时,不产生loss;
- y=-1时,希望x2比x1大,当x2大于x1时,不产生loss;
特别说明中提及该方法用于计算两组数据之间的差异,它会对两组数据中的元素分别计算差异。比如有两个形状为[1,3]的数据,经过计算后,该方法会得到一个3*3的loss矩阵;第一组数据中的第一个元素会分别和第二组数据中的3个元素计算loss;
nn.MarginRankingLoss(margin=0.0,size_average=None,reduce=none,reduction='mean')
下面通过代码学习nn.MarginRankingLoss的具体使用:
x1 = torch.tensor([[1], [2], [3]], dtype=torch.float)
x2 = torch.tensor([[2], [2], [2]], dtype=torch.float)
target = torch.tensor([1, 1, -1], dtype=torch.float)
loss_f_none = nn.MarginRankingLoss(margin=0, reduction='none')
loss = loss_f_none(x1, x2, target)
print(loss)
其输出为:
tensor([[1., 1., 0.],
[0., 0., 0.],
[0., 0., 1.]])
11、nn.MultiLabelMarginLoss
功能:多标签边界损失函数;
主要参数:
- reduction:计算模式,可为none/sum/mean;
举例:四分类任务,样本x属于0类和3类,标签表示为[0,3,-1,-1]而不是[1,0,0,1];
loss计算公式:公式中分母x.size(0)是输出向量神经元个数,分子中的i的取值范围为0到x.size(),j的取值范围为0到y.size(),y[j]大于等于0,同时i不等于y[j]。
假设四分类的标签为[0,3,-1-1],则分子中的x[y[i]]只能是x[0]和x[3],同样,分子中的x[i]只能是x[1]和x[2]。
nn.MultiLabelMarginLoss(size_average=None,reduce=None,reduction='mean')
通过代码观察MultiLabelMarginLoss的实际操作:
x = torch.tensor([[0.1, 0.2, 0.4, 0.8]])
y = torch.tensor([[0, 3, -1, -1]], dtype=torch.long)
loss_f = nn.MultiLabelMarginLoss(reduction='none')
loss = loss_f(x, y)
print(loss)
代码的输出为:
tensor([0.8500])
下面通过手动计算MultiLabelMarginLoss的损失:
x = x[0]
item_1 = (1-(x[0] - x[1])) + (1 - (x[0] - x[2])) # [0]
item_2 = (1-(x[3] - x[1])) + (1 - (x[3] - x[2])) # [3]
loss_h = (item_1 + item_2) / x.shape[0]
print(loss_h)
得到的输出和Pytorch中实现的MultiLabelMarginLoss是一样的。
12、nn.softMarginLoss
功能:计算二分类的logistic损失;
主要参数:计算模式,可为none/sum/mean;
loss计算公式:
nn.softMarginLoss(size_average=None,reduce=None,reduction='mean')
通过代码看一下nn.softMarginLoss的具体操作:
inputs = torch.tensor([[0.3, 0.7], [0.5, 0.5]])
target = torch.tensor([[-1, 1], [1, -1]], dtype=torch.float)
loss_f = nn.SoftMarginLoss(reduction='none')
loss = loss_f(inputs, target)
print("SoftMargin: ", loss)
其对应的输出为
SoftMargin: tensor([[0.8544, 0.4032],
[0.4741, 0.9741]])
13、nn.MultiLabelSoftMarginLoss
功能:SoftMarginLoss多标签版本
主要参数:
- weight:各类别的loss设置权值;
- reduction:计算模式,可为none/sum/mean;
loss计算公式:
nn.MultiLabelSoftMarginLoss(weight=None,size_average=None,reduce=None,reduction='mean')
下面通过代码观察一下其功能:
inputs = torch.tensor([[0.3, 0.7, 0.8]])
target = torch.tensor([[0, 1, 1]], dtype=torch.float)
loss_f = nn.MultiLabelSoftMarginLoss(reduction='none')
loss = loss_f(inputs, target)
print("MultiLabel SoftMargin: ", loss)
代码对应的输出为:
MultiLabel SoftMargin: tensor([0.5429])
14、nn.MultiMarginLoss
功能:计算多分类的折页损失;
主要参数:
- P:可选1或2;
- weight:各类别的loss设置权值;
- margin:边界值;
- reduction:计算模式,可为none/sum/mean;
loss计算公式:公式中对于所有的和,有
nn.MultiMarginLoss(p=1,margin=1.0,weight=None,size_average=None,reduce=None,reduction='mean')
其代码例子为:
x = torch.tensor([[0.1, 0.2, 0.7], [0.2, 0.5, 0.3]])
y = torch.tensor([1, 2], dtype=torch.long)
loss_f = nn.MultiMarginLoss(reduction='none')
loss = loss_f(x, y)
print("Multi Margin Loss: ", loss)
代码输出为
Multi Margin Loss: tensor([0.8000, 0.7000])
15、nn.TripleMarginLoss
功能:计算三元组损失,人脸验证中常用;
主要参数:
- P:范数的阶,默认为2;
- margin:边界值;
- reduction:计算模式,可为none/sum/mean;
loss计算公式:
nn.TripleMarginLoss(margin=1.0,eps=1e-06,swap=False,size_average=None,reduce=None,reduction='mean')
下面通过代码观察其使用:
anchor = torch.tensor([[1.]])
pos = torch.tensor([[2.]])
neg = torch.tensor([[0.5]])
loss_f = nn.TripletMarginLoss(margin=1.0, p=1)
loss = loss_f(anchor, pos, neg)
print("Triplet Margin Loss", loss)
代码对应输出为:
Triplet Margin Loss tensor(1.5000)
16、nn.HingeEmbeddingLoss
功能:计算两个输入的相似性,常用于非线性embedding和半监督学习;
特别注意:输入X应该为两个输入之差的绝对值;
主要参数:
- margin:边界值;
- reduction:计算模式,可为none/sum/mean;
损失函数:
nn.HingeEmbeddingLoss(margin=1.0,size_average=None,reduce=None,reduction='mean')
下面通过代码观察其功能:
inputs = torch.tensor([[1., 0.8, 0.5]])
target = torch.tensor([[1, 1, -1]])
loss_f = nn.HingeEmbeddingLoss(margin=1, reduction='none')
loss = loss_f(inputs, target)
print("Hinge Embedding Loss", loss)
代码的输出为:
Hinge Embedding Loss tensor([[1.0000, 0.8000, 0.5000]])
17、nn.CosineEmbeddingLoss
功能:使用余弦相似度计算两个输入的相似性;
主要参数:
- margin:可取值[-1,1],推荐为[0,0.5];
- reduction:计算模式,可为none/sum/mean;
loss损失函数计算公式:
nn.CosineEmbeddingLoss(margin=0.0,size_average=None,reduce=None,reduction='mean')
下面通过代码观察nn.CosineEmbeddingLoss功能:
x1 = torch.tensor([[0.3, 0.5, 0.7], [0.3, 0.5, 0.7]])
x2 = torch.tensor([[0.1, 0.3, 0.5], [0.1, 0.3, 0.5]])
target = torch.tensor([[1, -1]], dtype=torch.float)
loss_f = nn.CosineEmbeddingLoss(margin=0., reduction='none')
loss = loss_f(x1, x2, target)
print("Cosine Embedding Loss", loss)
代码的输出为:
Cosine Embedding Loss tensor([[0.0167, 0.9833]])
18、nn.CTCLoss
功能:计算CTC损失,解决时序数据的分类;
主要参数:
- blank:blank label;
- zero_infinity:无穷大的值或梯度置0;
- reduction:计算模式,可为none/sum/mean;
torch.nn.CTCLoss(blank=0,reduction='mean',zero_infinity=False)