当前位置： 首页 > news >正文

深度学习中的常见损失函数详解及PyTorch实现

news 2025/7/12 19:47:09

损失函数（Loss Function）是深度学习中至关重要的组成部分，它衡量模型预测结果与真实标签之间的差异，是模型优化的目标。本文将详细介绍线性回归损失函数（MAE、MSE）、CrossEntropyLoss和BCELoss的原理、特点及PyTorch实现。

1. 线性回归损失函数

线性回归问题通常使用MAE（平均绝对误差）和MSE（均方误差）作为损失函数。

1.1 MAE损失（L1 Loss）

MAE（Mean Absolute Error）计算预测值与真实值之间绝对差值的平均值。

公式：

 

 

特点：

  • 对异常值不敏感

  • 梯度恒定，不利于梯度下降优化

PyTorch实现：

import torch
import torch.nn as nn# 创建MAE损失函数实例
mae_loss = nn.L1Loss()# 示例数据
predictions = torch.tensor([1.5, 2.0, 3.2], dtype=torch.float32)
targets = torch.tensor([1.0, 2.5, 2.8], dtype=torch.float32)# 计算损失
loss = mae_loss(predictions, targets)
print(f"MAE Loss: {loss.item():.4f}")  # 输出: MAE Loss: 0.4667

1.2 MSE损失（L2 Loss）

MSE（Mean Squared Error）计算预测值与真实值之间平方差值的平均值。

公式：

 

 

特点：

  • 对异常值敏感

  • 梯度随误差增大而增大，有利于梯度下降

PyTorch实现：

# 创建MSE损失函数实例
mse_loss = nn.MSELoss()# 使用之前的示例数据
loss = mse_loss(predictions, targets)
print(f"MSE Loss: {loss.item():.4f}")  # 输出: MSE Loss: 0.2967# 带reduction参数的MSE
mse_loss_sum = nn.MSELoss(reduction='sum')  # 求和而非平均
loss_sum = mse_loss_sum(predictions, targets)
print(f"MSE Sum Loss: {loss_sum.item():.4f}")  # 输出: MSE Sum Loss: 0.8900

参数说明：

  • reduction：指定缩减方式，可选：

    • 'mean'（默认）：返回损失的平均值

    • 'sum'：返回损失的总和

    • 'none'：返回每个样本的损失

2. CrossEntropyLoss（交叉熵损失）

交叉熵损失是分类任务中最常用的损失函数，尤其适用于多分类问题。

2.1 信息理论基础

2.1.1 信息量

对于一个事件x，其发生的概率为 P(x)，信息量I(x)   

信息量是衡量一个事件发生的"惊讶程度"，定义：

 

2.1.2 信息熵

信息熵是信息量的期望，衡量系统的不确定性：

 

2.1.3 KL散度

KL散度衡量两个概率分布的差异：

 

2.1.4 交叉熵

交叉熵是信息熵与KL散度的组合：

 

在分类任务中，P是真实分布（one-hot），Q是预测分布，因此最小化交叉熵等价于最小化KL散度。

2.2 PyTorch实现

# 创建交叉熵损失函数实例
ce_loss = nn.CrossEntropyLoss()# 示例数据
# 3个样本，5分类问题（注意输入不需要softmax，内部会自动处理）
logits = torch.tensor([[1.2, 0.4, -0.5, 2.1, 0.3],[0.8, 1.9, -1.2, 0.4, 1.1],[-0.1, 2.4, 0.7, 1.5, -0.5]], dtype=torch.float32)# 每个样本的真实类别索引（0-4）
targets = torch.tensor([3, 1, 4], dtype=torch.long)# 计算损失
loss = ce_loss(logits, targets)
print(f"CrossEntropy Loss: {loss.item():.4f}")  # 输出示例: CrossEntropy Loss: 0.8765

参数说明：

  • weight（Tensor, 可选）：给每个类别分配权重，用于处理类别不平衡问题

  • ignore_index（int, 可选）：指定一个被忽略的类别索引，其不会贡献损失

  • reduction（str, 可选）：与MSE相同，指定缩减方式

  • label_smoothing（float, 可选）：标签平滑系数，0.0表示不使用

带权重的示例：

# 假设5个类别的权重分别为[0.1, 0.2, 0.3, 0.2, 0.2]
weights = torch.tensor([0.1, 0.2, 0.3, 0.2, 0.2], dtype=torch.float32)ce_loss_weighted = nn.CrossEntropyLoss(weight=weights)
loss_weighted = ce_loss_weighted(logits, targets)
print(f"Weighted CrossEntropy Loss: {loss_weighted.item():.4f}")

3. BCELoss（二元交叉熵损失）

BCELoss（Binary Cross Entropy Loss）用于二分类问题，每个样本只能属于正类或负类。

公式：

 

参数说明

  1. n：

    • 表示当前批次中的样本数量

    • 用于计算所有样本损失的平均值

    • 在PyTorch中可以通过reduction='mean'（默认）或reduction='sum'来改变这个行为

  2. i：

    • 样本索引，从1到n

    • 表示对批次中每个样本的计算

  3. yᵢ：

    • 第i个样本的真实标签（ground truth）

    • 取值为0或1（负类或正类）

    • 在PyTorch中通常是一个浮点型Tensor，形状为[batch_size]或[batch_size, 1]

  4. ŷᵢ（y hat）：

    • 模型对第i个样本的预测概率

    • 取值范围应该在(0,1)之间，通常通过sigmoid函数得到

    • 形状与yᵢ相同

  5. log：

    • 自然对数（以e为底）

    • 在PyTorch实现中会处理数值稳定性问题（如添加微小值防止log(0)）

 

PyTorch实现： 

# 创建BCE损失函数实例
bce_loss = nn.BCELoss()# 示例数据
# 4个样本的预测概率（经过sigmoid激活）
predictions = torch.tensor([0.8, 0.2, 0.6, 0.9], dtype=torch.float32)
# 真实标签（0或1）
targets = torch.tensor([1.0, 0.0, 1.0, 1.0], dtype=torch.float32)# 计算损失
loss = bce_loss(predictions, targets)
print(f"BCE Loss: {loss.item():.4f}")  # 输出示例: BCE Loss: 0.2070# 带权重的BCE
bce_loss_weighted = nn.BCELoss(weight=torch.tensor([1.0, 2.0, 1.0, 1.0]))
loss_weighted = bce_loss_weighted(predictions, targets)
print(f"Weighted BCE Loss: {loss_weighted.item():.4f}")

BCEWithLogitsLoss：

通常在实际使用中，我们更常用BCEWithLogitsLoss，它结合了Sigmoid激活和BCELoss，数值计算更稳定。

bce_logits_loss = nn.BCEWithLogitsLoss()# 输入是未经过sigmoid的原始logits
logits = torch.tensor([1.5, -1.2, 0.4, 2.1], dtype=torch.float32)
targets = torch.tensor([1.0, 0.0, 1.0, 1.0], dtype=torch.float32)loss = bce_logits_loss(logits, targets)
print(f"BCEWithLogits Loss: {loss.item():.4f}")

参数说明：

  • weight：与CrossEntropyLoss类似，用于样本加权重

  • pos_weight：正样本的权重，用于调整正负样本不平衡

  • reduction：同上

4. 损失函数总结与选择指南

损失函数适用场景特点
MAE (L1 Loss)回归问题对异常值不敏感，梯度恒定
MSE (L2 Loss)回归问题对异常值敏感，梯度随误差增大
CrossEntropyLoss多分类问题结合Softmax，直接处理类别概率
BCELoss二分类问题需配合Sigmoid使用，处理0-1概率
BCEWithLogitsLoss二分类问题结合Sigmoid，数值稳定性更好

选择建议：

  1. 回归问题：

    • 数据中有异常值：优先考虑MAE

    • 数据质量较好：使用MSE

  2. 分类问题：

    • 二分类：使用BCEWithLogitsLoss

    • 多分类：使用CrossEntropyLoss

    • 类别不平衡：使用带权重的版本

  3. 特殊需求：

    • 需要更关注困难样本：考虑使用Focal Loss等变体

    • 多标签分类：可能需要组合多个BCELoss

5. 完整示例：MNIST分类中的损失函数应用

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader# 数据准备
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))
])train_dataset = datasets.MNIST('./data', train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)# 简单模型
class Net(nn.Module):def __init__(self):super(Net, self).__init__()self.fc1 = nn.Linear(28*28, 128)self.fc2 = nn.Linear(128, 10)def forward(self, x):x = x.view(-1, 28*28)x = torch.relu(self.fc1(x))x = self.fc2(x)return xmodel = Net()
optimizer = optim.Adam(model.parameters(), lr=0.001)# 使用CrossEntropyLoss
criterion = nn.CrossEntropyLoss()# 训练循环
for epoch in range(5):for batch_idx, (data, target) in enumerate(train_loader):optimizer.zero_grad()output = model(data)loss = criterion(output, target)loss.backward()optimizer.step()if batch_idx % 100 == 0:print(f'Epoch: {epoch} | Batch: {batch_idx} | Loss: {loss.item():.4f}')

通过本文的详细讲解，相信您已经对深度学习中常见的损失函数有了全面的了解。在实际应用中，根据具体问题和数据特点选择合适的损失函数，是构建高效模型的重要一步。 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

http://www.xdnf.cn/news/1099459.html

相关文章：

  • 初学者对编译和链接的学习笔记（含预编译详解）
  • c++-内部类
  • 网络安全初级
  • python正则表达式（小白五分钟从入门到精通）
  • 技术学习_检索增强生成（RAG）
  • 客户频繁问询项目进度，如何提高响应效率
  • STM32中DMA（直接存储器访问）详解
  • 基于 SpringBoot + Vue 的 IT 技术交流和分享平台的设计与实现
  • Git保姆级入门实战：从安装配置到常用命令与常见错误解决
  • 机器学习 YOLOv5手绘电路图识别 手绘电路图自动转换为仿真软件（如LT Spice）可用的原理图，避免人工重绘
  • upload-labs靶场通关详解：第21关 数组绕过
  • H5微应用四端调试工具—网页版：深入解析与使用指南
  • Java 枚举详解：从基础到实战，掌握类型安全与优雅设计
  • 青岛门卫事件后：高温晕厥救援技术突破
  • Transformer：自注意力驱动的神经网络革命引擎
  • PLC框架-1.3.2 报文750控制汇川伺服的转矩上下限
  • 位运算算法题
  • arm架构，arm内核，处理器之间的关系
  • STM32F103之ModBus\RS232\RS422\RS485
  • 记录今天学习Comfyui的感受
  • 【运维架构】云计算运维架构师与基础设施，技术路线，Linux证书（标准化/定制化/CNCF，公有云/混合云/私有云）
  • pharokka phold--快速噬菌体注释工具
  • 1.1.1数据类型与变量——AI教你学Django
  • 一文讲清楚React Hooks
  • Spring for Apache Pulsar-＞Reactive Support-＞Quick Tour
  • 【C++】——类和对象（上）
  • C语言＜数据结构-链表＞
  • Django专家成长路线知识点——AI教你学Django
  • 深度学习参数初始化方法详解及代码实现
  • WebSocket实战：实现实时聊天应用 - 双向通信技术详解