论文复现：nn.L1Loss()

最新推荐文章于 2025-04-15 17:07:39 发布

原创最新推荐文章于 2025-04-15 17:07:39 发布 · 1k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#python

论文复现专栏收录该内容

45 篇文章

订阅专栏

本文介绍了PyTorch库中的L1Loss函数，它是计算预测值与真实值之间L1距离的常用工具，适用于减少异常值影响的回归任务。L1Loss的特点在于对异常值不敏感，与L2损失相比，对较大误差的权重更低。文章还展示了如何在PyTorch中实例化和使用L1Loss进行训练过程中的损失计算。

部署运行你感兴趣的模型镜像

nn.L1Loss() 是 PyTorch 中的一个损失函数，属于 torch.nn 模块的一部分。它计算预测值和真实值之间差的绝对值的平均值，也就是 L1 距离（或曼哈顿距离）。这个损失函数常用于回归任务，特别是当你希望减少异常值对总体损失的影响时。L1 损失的一个特点是它对异常值不那么敏感，因为它不像平方误差损失（L2 损失）那样对较大的误差值赋予更高的权重。

L1 损失的数学表达式是：

其中：

在 PyTorch 中使用 nn.L1Loss() 非常简单。首先，你需要实例化这个损失函数，然后在训练循环中调用它，将模型的预测输出和真实标签作为参数传入。例如：

import torch
import torch.nn as nn

# 假设 output 是模型的预测输出，target 是真实的标签
output = torch.randn(10, 2, requires_grad=True)
target = torch.randn(10, 2)

# 实例化 L1Loss 对象
criterion = nn.L1Loss()

# 计算损失
loss = criterion(output, target)

# 使用损失进行反向传播等
loss.backward()

您可能感兴趣的与本文相关的镜像