网站建设流程和方法,中文网页,太原制作网站,网站的记住密码功能怎么做损失函数#xff1a;度量模型的预测结果与真实值之间的差异#xff1b;通过最小化 loss - 最大化模型表现代码实现框架#xff1a;设有 模型预测值 f (x), 真实值 y 方法一#xff1a; 步骤 1. criterion torch.nn.某个Loss()#xff1b;步骤 2. loss criterion(f(x…损失函数度量模型的预测结果与真实值之间的差异通过最小化 loss - 最大化模型表现代码实现框架设有 模型预测值 f (x), 真实值 y 方法一 步骤 1. criterion torch.nn.某个Loss()步骤 2. loss criterion(f(x), y)方法二直接采用 F.某个_loss(f(x), y) 回归损失Regression Loss
【torch.nn.L1Loss()】平均绝对值误差 MAEMean Abs Error: f (x) 和 y 之间差的绝对值的平均值 具体数学计算公式 Loss 1 n ∑ i 0 n ∣ f ( x i ) − y ∣ \text{Loss}\frac{1}{n}\sum^n_{i0} |f(x_i)-y| Lossn1∑i0n∣f(xi)−y∣注L1 损失, 主要用于回归问题和简单的模型所以很少使用 【torch.nn.MSELoss()】平均平方误差 MSEMean Squared Error: f (x) 和 y 之间差的平方的平均值 具体数学计算公式 Loss 1 n ∑ i 0 n ( f ( x i ) − y ) 2 \text{Loss}\frac{1}{n}\sum^n_{i0} (f(x_i)-y)^2 Lossn1∑i0n(f(xi)−y)2 F.mse_loss(f(x), y)注L2 损失, 很常用 分类损失Classification Losslogistic regression
【torch.nn.CrossEntropyLoss()】多分类交叉熵损失函数 Cross Entropy Loss: 具体数学计算公式 Loss ∑ y i log ( f ( x i ) ) \text{Loss}\sum y_i \log(f(x_i)) Loss∑yilog(f(xi)), 注意其中 f ( x i ) f(x_i) f(xi) 表示模型预测出的概率值如 [0.1, 0.7, 0.2]通常和 softmax (soft version of max S ( y i ) e y i ∑ e y i S(y_i) \frac{e^{y_i}}{\sum e^{y_i}} S(yi)∑eyieyi: F.softmax(y)) 搭配使用 (softmax 负责产生上述概率输出) B站视频参考资料详细博客参考资料
