梳理L1、L2与Smooth L1

关于L1、L2的范数、损失函数和正则化，之前一直混淆这几个概念，故对这几天看过的资料进行了学习总结。

范数(norm)是数学中的一种基本概念。在泛函分析中，它定义在赋范线性空间中，并满足一定的条件，即①非负性；②齐次性；③三角不等式。它常常被用来度量某个向量空间（或矩阵）中的每个向量的长度或大小。

首先以L2范数为例对范数做一个简单的说明：

L2范数:

假设$X$是n维的特征$X=(x_1,x_2,x_3,\dots ,x_n)$

则L2范数：${\Vert X\Vert }_2=\sqrt{{\sum }_{i=1}^n{x}_i^2}$

一、作为损失函数

本部分内容大多来源于回归损失函数1：L1 loss, L2 loss以及Smooth L1 Loss的对比。

公式对比

• $L_1$

  • 公式：$L_1=\left|f(x)-Y\right|$

  • 求导：$L_1^{\prime }=\pm f^{\prime }(x)$

• $L_2$

  • 公式：$L_2={\left|f(x)-Y\right|}^2$

  • 求导：$L_2^{\prime }=2f^{\prime }(x)(f(x)-Y)$

• $Smooth{L}_1$

  • 公式：

    $Smooth{L}_1=\{\begin{array}{ll}0.5(f(x)-Y{)}^2& \text{ if }\left|f(x)-Y\right|<1\\ \left|f(x)-Y\right|-0.5& \text{ if }f(x)-Y<-1orf(x)-Y>1\end{array}$

  • 求导：

    $Smooth{L}_1^{\prime }=\{\begin{array}{ll}{f}^{\prime }(x)(f(x)-Y)& \text{ if }\left|f(x)-Y\right|<1\\ \pm 1& \text{ if }f(x)-Y<-1orf(x)-Y>1\end{array}$

上述三个函数的图像对比如下：

L1 Loss

L1 Loss即平均绝对误差（Mean Absolute Error,MAE) ，是指模型预测值()和真实值之间距离的平均值，其公式如下：
$$MAE=\frac{{\sum }_{i=1}^n\left|f(x_i)-y_i\right|}{n}$$
1对的导数为常数，在训练的后期，预测值与ground truth差异很小时，1的导数的绝对值仍然为1，而 learning rate 如果不变，损失函数将在稳定值附近波动，难以继续收敛以达到更高精度。

tips：

• 平均绝对误差MAE

• 在0处不可导

• 对离群点不敏感

• 梯度稳定，不会导致梯度爆炸（对很小的损失值，梯度也很大）

L2 Loss

L2 Loss即为均方误差（Mean Square Error,MSE），是模型预测值()与真实样本值之间差值平方的平均值，其公式如下
$$MSE=\frac{{\sum }_{i=1}^n(f(x_i)-y_i{)}^2}{n}$$
其中，$y_i$和$f(x_i)$分别表示第个样本的真实值及其对应的预测值，为样本的个数。

MSE的函数曲线光滑、连续，处处可导，便于使用梯度下降算法，是一种常用的损失函数。 而且，随着误差的减小，梯度也在减小，这有利于收敛，即使使用固定的学习速率，也能较快的收敛到最小值。

当和()也就是真实值和预测值的差值大于1时，会放大误差；而当差值小于1时，则会缩小误差，这是平方运算决定的。MSE对于较大的误差（>1）给予较大的惩罚，较小的误差（<1）给予较小的惩罚。也就是说，对离群点比较敏感，受其影响较大。

tips：

• 函数曲线连续，处处可导

• 随着误差减小，梯度也减小，有利于快速收敛

• 常用于解决回归问题

MSE和MAE的选择

从梯度的求解以及收敛上，MSE是优于MAE的。MSE处处可导，而且梯度值也是动态变化的，能够快速的收敛；而MAE在0点处不可导，且其梯度保持不变。对于很小的损失值其梯度也很大，在深度学习中，就需要使用变化的学习率，在损失值很小时降低学习率。

对离群（异常）值得处理上，MAE要明显好于MSE。

如果离群点（异常值）需要被检测出来，则可以选择MSE作为损失函数；如果离群点只是当做受损的数据处理，则可以选择MAE作为损失函数。

总之，MAE作为损失函数更稳定，并且对离群值不敏感，但是其导数不连续，求解效率低。另外，在深度学习中，收敛较慢。MSE导数求解速度高，但是其对离群值敏感，不过可以将离群值的导数设为0（导数值大于某个阈值）来避免这种情况。

在某些情况下，上述两种损失函数都不能满足需求。例如，若数据中90%的样本对应的目标值为150，剩下10%在0到30之间。那么使用MAE作为损失函数的模型可能会忽视10%的异常点，而对所有样本的预测值都为150。这是因为模型会按中位数来预测。而使用MSE的模型则会给出很多介于0到30的预测值，因为模型会向异常点偏移。

这种情况下，MSE和MAE都是不可取的，简单的办法是对目标变量进行变换，或者使用别的损失函数，例如：Huber,Log-Cosh以及分位数损失等。

Smooth L1 Loss

在Faster R-CNN以及SSD中对边框的回归使用的损失函数都是Smooth L1 作为损失函数，
$$Smooth{L}_1=\{\begin{array}{ll}0.5(f(x)-Y{)}^2& \text{ if }\left|f(x)-Y\right|<1\\ \left|f(x)-Y\right|-0.5& \text{ otherwise }\end{array}$$
Smooth L1 能从两个方面限制梯度：

1. 当预测框与 ground truth 差别过大时，梯度值不至于过大；
2. 当预测框与 ground truth 差别很小时，梯度值足够小。

Smooth L1 实际上就是一个分段函数，在[-1,1]之间实际上就是L2损失，这样解决了L1的不光滑问题，在[-1,1]区间外，实际上就是L1损失，这样就解决了离群点梯度爆炸的问题。

Smooth L1 实现 (PyTorch)

def _smooth_l1_loss(input, target, reduction='none'):
    # type: (Tensor, Tensor) -> Tensor
    t = torch.abs(input - target)
    ret = torch.where(t < 1, 0.5 * t ** 2, t - 0.5)
    if reduction != 'none':
        ret = torch.mean(ret) if reduction == 'mean' else torch.sum(ret)
    return ret      

也可以添加个参数beta 这样就可以控制，什么范围的误差使用MSE，什么范围内的误差使用MAE了。

def smooth_l1_loss(input, target, beta=1. / 9, reduction = 'none'):
    """
    very similar to the smooth_l1_loss from pytorch, but with
    the extra beta parameter
    """
    n = torch.abs(input - target)
    cond = n < beta
    ret = torch.where(cond, 0.5 * n ** 2 / beta, n - 0.5 * beta)
    if reduction != 'none':
        ret = torch.mean(ret) if reduction == 'mean' else torch.sum(ret)
    return ret

小结

对于大多数CNN网络，我们一般是使用L2-loss而不是L1-loss，因为L2-loss的收敛速度要比L1-loss要快得多。

对于边框预测回归问题，通常也可以选择平方损失函数（L2损失），但L2范数的缺点是当存在离群点（outliers)的时候，这些点会占loss的主要组成部分。比如说真实值为1，预测10次，有一次预测值为1000，其余次的预测值为1左右，显然loss值主要由1000决定。所以FastRCNN采用稍微缓和一点绝对损失函数（smooth L1损失），它是随着误差线性增长，而不是平方增长。

Smooth L1 和 L1 Loss 函数的区别在于，L1 Loss 在0点处导数不唯一，可能影响收敛。Smooth L1的解决办法是在 0 点附近使用平方函数使得它更加平滑。

Smooth L1的优点

• 相比于L1损失函数，可以收敛得更快。
• 相比于L2损失函数，对离群点、异常值不敏感，梯度变化相对更小，训练时不容易跑飞。

二、作为正则项

正则化为什么可以避免过拟合？

正规化是防止过拟合的一种重要技巧。正则化通过降低模型的复杂性， 达到避免过拟合的问题。

过拟合的时候，拟合函数的系数往往非常大，为什么？过拟合，就是拟合函数需要顾忌每一个点，最终形成的拟合函数波动很大。在某些很小的区间里，函数值的变化很剧烈。这就意味着函数在某些小区间里的导数值（绝对值）非常大，由于自变量值可大可小，所以只有系数足够大，才能保证导数值很大。

L1正则

L1正则常被用来进行特征选择，主要原因在于L1正则化会使得较多的参数为0，从而产生稀疏解，我们可以将0对应的特征遗弃，进而用来选择特征。一定程度上L1正则也可以防止模型过拟合。

假设L(W)是未加正则项的损失，λ是一个超参，控制正则化项的大小。

则最终的损失函数：$L=L(W)+\lambda {\sum }_{i=1}^n\left|w_i\right|$

L2正则

梯度衰减（weights decay），主要用来防止模型过拟合，直观上理解就是L2正则化是对于大数值的权重向量进行严厉惩罚。

则最终的损失函数：$L=L(W)+\lambda {\sum }_{i=1}^n{w}_i^2$

为什么L1会产生稀疏解？

可以通过损失函数对w求导来证明，当$w_i$小于1的时候，L2的惩罚项会越来越小，而L1还是会非常大，所以L1会使参数为0，而L2很难。

求导公式待补充

参考资料

L1和L2 详解(范数、损失函数、正则化)

回归损失函数1：L1 loss, L2 loss以及Smooth L1 Loss的对比

损失函数：L1 loss, L2 loss, smooth L1 loss