pytorch学习8-损失函数

系列文章目录

1. pytorch学习1-数据加载以及Tensorboard可视化工具
2. pytorch学习2-Transforms主要方法使用
3. pytorch学习3-torchvisin和Dataloader的使用
4. pytorch学习4-简易卷积实现
5. pytorch学习5-最大池化层的使用
6. pytorch学习6-非线性变换（ReLU和sigmoid）
7. pytorch学习7-序列模型搭建
8. pytorch学习8-损失函数与反向传播
9. pytorch学习9-优化器学习
10. pytorch学习10-网络模型的保存和加载
11. pytorch学习11-完整的模型训练过程

---

---

一、损失函数

inputs=torch.tensor([1,2,3],dtype=torch.float32)
targets=torch.tensor([1,2,5],dtype=torch.float32)

inputs=torch.reshape(inputs,(1,1,1,3))
targets=torch.reshape(targets,(1,1,1,3))

loss=L1Loss(reduction='sum')#L1Loss函数计算的是输出和目标的绝对值误差，然后累加并平均
result=loss(inputs,targets)

loss_mse=nn.MSELoss()#MSELoss是计算均方误差的损失函数，也就是（输出-目标）的平方，这就得到了平方差，再累加，平均
result_mse=loss_mse(inputs,targets)

print(result)
print(result_mse)

x=torch.tensor([0.1,0.2,0.3])
y=torch.tensor([1])
x=torch.reshape(x,(1,3))
loss_cross=nn.CrossEntropyLoss()#交叉熵损失函数,用于多分类问题，进行了softmax操作，计算的是损失
result_cross=loss_cross(x,y)
print(result_cross)

总结

以上就是今天要讲的内容，主要损失函数使用