损失函数总结（十四）：RMSELoss、LogCosh Loss

1 引言

在前面的文章中已经介绍了介绍了一系列损失函数 (L1Loss、MSELoss、BCELoss、CrossEntropyLoss、NLLLoss、CTCLoss、PoissonNLLLoss、GaussianNLLLoss、KLDivLoss、BCEWithLogitsLoss、MarginRankingLoss、HingeEmbeddingLoss、MultiMarginLoss、MultiLabelMarginLoss、SoftMarginLoss、MultiLabelSoftMarginLoss、TripletMarginLoss、TripletMarginWithDistanceLoss、Huber Loss、SmoothL1Loss、MBELoss、RAELoss、RSELoss、MAPELoss)。在这篇文章中，会接着上文提到的众多损失函数继续进行介绍，给大家带来更多不常见的损失函数的介绍。这里放一张损失函数的机理图：

2 损失函数

2.1 RMSELoss

Root Mean Squared Error (RMSE) 是 MSELoss 的平方根。它考虑了实际值的变化并测量误差的平均幅度。RMSE 可以应用于各种特征，因为它有助于确定特征是否增强模型预测。当非常不希望出现巨大错误时，RMSE 最有用。RMSELoss 的数学表达式如下：
$$L_{\text{RMSE}}(Y,Y^{\prime })=\sqrt{\frac{1}{n}\sum _{i=1}^n(y_i-y_i^{\prime }{)}^2}$$

代码实现（Pytorch）：

import torch
import math

# 创建模型的预测值和真实观测值
predicted = torch.tensor([2.0, 4.0, 6.0, 8.0, 10.0], dtype=torch.float32)
observed = torch.tensor([1.5, 4.2, 5.8, 7.9, 9.8], dtype=torch.float32)

# 计算 RMSE
squared_error = (predicted - observed)**2
mse = torch.mean(squared_error)
rmse = math.sqrt(mse)

# 打印 RMSE
print("Root Mean Squared Error (RMSE):", rmse)

RMSELoss 更关注于较大错误，因此只有当只关注模型较大错误时才使用该损失函数，否则还是使用 MSELoss 较好。。。。

2.2 LogCosh Loss

LogCosh Loss 是比 L2 更光滑的损失函数，是误差值的双曲余弦的对数。它的功能类似于 MSELoss，但不受重大预测误差的影响。LogCosh Loss 的数学表达式如下：
$$L(Y,Y^{\prime })=\sum _{i=1}^n\log (\cosh (y_i-y_i^{\prime }))$$

代码实现（Pytorch）：

import torch
import torch.nn as nn

# 创建模型的预测值和真实观测值
predicted = torch.tensor([2.0, 4.0, 6.0, 8.0, 10.0], dtype=torch.float32)
observed = torch.tensor([1.5, 4.2, 5.8, 7.9, 9.8], dtype=torch.float32)

# 创建 LogCoshLoss
logcosh_loss = torch.log(torch.cosh(observed - predicted))  # SmoothL1Loss 实现了 LogCosh Loss

# 计算 LogCosh Loss
loss = toch.sum(logcosh_loss)

# 打印 LogCosh Loss
print("LogCosh Loss:", loss.item())

LogCosh Loss 因求导比较复杂，计算量较大，在深度学习中使用不多，但是在机器学习领域由于其处处二阶可微的特性有所使用。。。

3 总结

到此，使用 损失函数总结（十四） 已经介绍完毕了！！！ 如果有什么疑问欢迎在评论区提出，对于共性问题可能会后续添加到文章介绍中。如果存在没有提及的损失函数也可以在评论区提出，后续会对其进行添加！！！！

如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦。