基于pytorch损失函数

(1)PyTorch损失函数

loss = nn.L1Loss()  #(MAE平均绝对误差)
loss = nn.CrossEntropyLoss() #交叉熵验证
loss = nn.MSELoss() #均方误差

pytorch损失函数: 常见pytorch损失函数

(2）自定义损失函数

1、torch.randn()函数
2、torch.pow()函数
3、torch.mean()函数

1、torch.randn()函数

a = torch.randn(4) #随机生成一行四列
print(a)
a = torch.randn(3,4) #随机生成三行四列
print(a)

总结：用来生成随机数字的tensor，这些随机数字满足标准正态分布

运行结果：

2、torch.pow()函数

input = torch.randn(4)
print('input:',input)
exponent = 2
b = torch.pow(input,exponent)
print('b:',b)
c = torch.pow(input,exponent + 1)
print('c:',c)

总结：将tensor内的数字加上exponent的幂

运行结果：

3、torch.mean()函数

input = torch.randn(3)
print('input:',input)
mean = torch.mean(input)
print('mean函数:',mean)

总结：将tensor内的数字求其均值

运行结果：

(3)自定义损失函数与pytorch损失函数验证对比

1、验证 L1 Loss　(MAE平均绝对误差)

import torch.nn as nn
import torch
output = torch.randn(3)
target = torch.randn(3)
class test_loss(nn.Module):

    def __init__(self):
        super().__init__()

    def forward(self, x, y):
        return torch.mean(torch.abs(x-y))
#调用torch损失函数
criterion_1 = nn.L1Loss()
loss_1 = criterion_1(output, target)
#自定义损失函数
criterion_2 = test_loss()
loss_2 = criterion_2(output, target)
print(loss_1)
print(loss_2)

运行结果：

由运行结果可知，自定义没有问题

2、验证L2 Loss（均方误差）

import torch.nn as nn
import torch
output = torch.randn(3) #生成随机数
target = torch.randn(3) #生成随机数
class test_loss(nn.Module):

    def __init__(self):
        super().__init__()

    def forward(self, x, y):
        return torch.mean(torch.pow((x - y), 2))
#调用torch损失函数
criterion_1 = nn.MSELoss()
loss_1 = criterion_1(output, target)
#自定义继承torch损失函数
criterion_2 = test_loss()
loss_2 = criterion_2(output, target)
print(loss_1)
print(loss_2)

运行结果：

由运行结果可知，自定义没有问题