Pytorch损失函数总结

​​损失函数​​

​​​nn.L1Loss​​​	创建一个衡量输入中每个元素之间的平均绝对误差 (MAE) 的标准XX和目标是的是的.
​​​nn.MSELoss​​​	创建一个标准，用于测量输入中每个元素之间的均方误差（平方 L2 范数）XX和目标是的是的.
​​​nn.CrossEntropyLoss​​​	该标准计算输入和目标之间的交叉熵损失。
​​​nn.CTCLoss​​​	联结主义时间分类损失。
​​​nn.NLLLoss​​​	负对数似然损失。
​​​nn.PoissonNLLLoss​​​	目标泊松分布的负对数似然损失。
​​​nn.GaussianNLLLoss​​​	高斯负对数似然损失。
​​​nn.KLDivLoss​​​	Kullback-Leibler 散度损失。
​​​nn.BCELoss​​​	创建一个衡量目标和输入概率之间的二元交叉熵的标准：
​​​nn.BCEWithLogitsLoss​​​	这种损失将Sigmoid层和BCELoss 组合在一个类中。
​​​nn.MarginRankingLoss​​​	创建一个标准来衡量给定输入的损失x1× 1,x2× 2, 两个 1D mini- batch 或 0D Tensor和一个标签 1D mini-batch 或 0D Tensor 是的是的（包含 1 或 -1）。
​​​nn.HingeEmbeddingLoss​​​	测量给定输入张量的损失XX和一个标签张量是的是的（包含 1 或 -1）。
​​​nn.MultiLabelMarginLoss​​​	创建一个标准，优化输入之间的多类多分类铰链损失（margin-based loss）XX（一个 2D 小批量张量）和输出是的是的（这是目标类索引的 2D张量）。
​​​nn.HuberLoss​​​	如果绝对元素级误差低于 delta，则创建使用平方项的标准，否则使用 delta 缩放的 L1 项。
​​​nn.SmoothL1Loss​​​	如果绝对元素误差低于 beta，则创建一个使用平方项的标准，否则创建一个 L1 项。
​​​nn.SoftMarginLoss​​​	创建一个优化输入张量之间的二分类逻辑损失的标准XX和目标张量是的是的（包含 1 或 -1）。
​​​nn.MultiLabelSoftMarginLoss​​​	创建一个标准，该标准基于输入之间的最大熵优化多标签一对一损失XX和目标是的是的大小的(N, C)( N ,三）.
​​​nn.CosineEmbeddingLoss​​​	创建一个标准来衡量给定输入张量的损失x_1X1,x_2X2和张量标签是的是的值为 1 或 -1。
​​​nn.MultiMarginLoss​​​	创建一个标准，优化输入之间的多类分类铰链损失（基于边距的损失）XX（一个 2D 小批量张量）和输出是的是的（这是目标类索引的一维张量，0 \leq y \leq \text{x.size}(1)-10≤是的≤x.大小( 1 )-1):
​​​nn.TripletMarginLoss​​​	创建一个标准来衡量给定输入张量的三元组损失x1× 1,x2× 2,x3× 3和一个值大于的边距00.
​​​nn.TripletMarginWithDistanceLoss​​​	创建一个标准来衡量给定输入张量的三元组损失一种一种,pp， 和nn（分别表示锚点、正例和负例），以及用于计算锚点和正例（“正例”）与锚点和负例之间关系的非负实值函数（“距离函数”） （“负距离”）。

Talk is cheap. Show me the code