损失函数总结（二）：L1Loss、MSELoss

最新推荐文章于 2025-04-19 21:56:09 发布
最新推荐文章于 2025-04-19 21:56:09 发布
阅读量1.4k 收藏 5
点赞数 2
分类专栏： 深度学习 文章标签： 深度学习 损失函数 机器学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36758270/article/details/133383718
版权
本文介绍了L1Loss和MSELoss两种损失函数，包括它们的数学表达式、特点和PyTorch代码实现。L1Loss衡量绝对差距，对异常值不敏感，常用于回归任务；而MSELoss计算平方误差，更敏感于偏离，适用于多种回归任务。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

损失函数总结（二）：L1Loss、MSELoss

1 引言

在上一篇博文中介绍了损失函数是什么以及为什么使用损失函数，从这一篇博文就开始关于损失函数有哪些进行进一步的介绍。这里放一张损失函数的机理图：
在这里插入图片描述

2 损失函数

2.1 L1Loss

L1Loss（也称为MAE Loss， 平均绝对误差损失）是一种用于回归任务的损失函数。它用于度量模型的预测值与实际目标之间的绝对差距。L1Loss的数学表达式如下：
L L1 ( Y ,

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Pytorch深度学习-----损失函数（L1Loss、MSELoss、CrossEntropyLoss）
LGL
08-07 2408
如果设置为 True，则对输入批次的输出进行减少，返回一个标量。如果设置为 False，则返回每个输入批次的输出的张量。如果设置为 True，则对输入批次的输出进行减少，返回一个标量。如果设置为 False，则返回每个输入批次的输出的张量。如果设置为 ‘mean’，则对输入批次的输出进行平均。如果设置为 ‘none’，则不进行减少，返回每个输入批次的输出的张量。如果设置为 ‘mean’，则对输入批次的输出进行平均。如果设置为 ‘none’，则不进行减少，返回每个输入批次的输出的张量。
【损失函数：1】L1、L2、SmoothL1（附Pytorch实现）
NorthSmile的博客
09-25 8956
作者自己是做图像去雾的，平常也会看一些其他的图像恢复方向的文章，比如图像去噪、图像增强、图像去模糊以及图像超分辨等。我们知道损失函数决定了网络训练目标，对于一个任务最后可以实现的功能影响很大，这里我就想把我见过的一些损失函数进行记录，供大家学习参考。
【笔记】机器学习里的各种LOSS（L1，L2）
Kun Wang's 博客
12-21 4566
参考： 【1】http://www.jianshu.com/p/ac26866e81bc
Pytorch学习 day10（L1Loss、MSELoss、交叉熵Loss、反向传播）
丿罗小黑的博客
03-10 907
loss
损失函数总结
最新发布
sylviiiiiia的博客
04-19 715
在信息论中，熵代表着信息量，H ( P ) H§H§代表着基于P PP分布自身的编码长度，也就是最优的编码长度（最小字节数）。KL散度的理论意义在于度量两个概率分布之间的差异程度，当KL散度越大的时候，说明两者的差异程度越大；MarginRankingLoss（边际排序损失）是一种用于学习排序模型的损失函数，常用于训练具有排序目标的模型，目标是将正样本的预测得分（正例）与负样本的预测得分（负例）之间的差异最大化，同时保持一定的边际（margin）。其中，y为标签，取值为1或-1，表示正样本或负样本；
L1损失（MAE）、L2损失（MSE）
热门推荐
Drug discovery
06-05 3万+
目录 均绝对误差(L1Loss) 均方误差MSE (L2 Loss) MSE和MAE的选择 总结 均绝对误差(L1Loss) 均绝对误差（Mean Absolute Error,MAE) 是指模型预测值f(x)和真实值y之间距离的均值，其公式如下： 忽略下标i，设n=1，以f(x)−y为横轴，MAE的值为纵轴，得到函数的图形如下： MAE曲线连续，但是在y−f(x)=0处不可导。而且 MAE 大部分情况下梯度都是相等的，这意味着即使对于小的损失值，其梯度也是大的。这不利于函数的收敛...
【损失函数】深度学习回归任务中你必须了解的三种损失函数，绝对误差损失（L1 Loss、MAE）均方误差损失（L2 Loss、MSE）以及平滑L1损失（Huber Loss）（2024最新整理）
Next_SummerAgain的博客
01-04 1万+
是预测值和真实值之差的绝对值的总和。其中，是样本数量，是第个样本的真实值，是第个样本的预测值。
L1Loss计算公式
QT-Smile
08-26 481
L1Loss计算公式
torch.nn中的L1Loss和MSELoss
xinxin的博客
09-02 1652
我们打开Pytorch官网，找到torch.nn中的loss function，进去如下图所示。
PyTorch损失函数详解：L1Loss, SmoothL1Loss, MSELoss与CrossEntropyLoss
本文主要介绍了PyTorch中的几种常见损失函数，包括L1Loss、SmoothL1Loss（HuberLoss）、MSELoss和CrossEntropyLoss，并通过实例展示了它们的使用方法。 在PyTorch中，损失函数是构建神经网络模型不可或缺的一部分，...
L1 loss 是什么
a_145133的博客
04-24 5936
与L2 Loss（也称为Mean Squared Error）相比，L1 Loss更加鲁棒，对于异常值（outliers）的容忍性更高。因此，在某些需要考虑异常值的任务中，例如目标检测、人脸识别等领域，L1 Loss被广泛应用。L1 Loss（也称为Mean Absolute Error）是深度学习中常用的一种损失函数，用于衡量模型预测结果与真实标签之间的平均绝对误差。表示模型对于样本i的预测标签。将每个样本的绝对误差取平均值，得到L1 Loss。表示样本i的真实标签（ground truth），
L1 LOSS -- EIoU loss 一览 .pdf
02-03
L1 LOSS -- EIoU loss
小土堆学习笔记6（L1Loss，MSELoss，CrossEntropyLoss）
干啥都是小小白的分享内容
01-12 826
本次重点学一下新版本的CrossEntropyLoss，这玩意折磨我好几个小时。
回归损失函数: L1 Loss
小花生的博客
05-07 2万+
平均绝对误差，L1损失 平均绝对误差（MAE）是另一种用于回归模型的损失函数。MAE是目标变量和预测变量之间绝对差值之和。因此它衡量的是一组预测值中的平均误差大小，而不考虑它们的方向（如果我们考虑方向的话，那就是均值误差（MBE）了，即误差之和）。范围为0到∞。 摘录：https://zhuanlan.zhihu.com/p/39239829 注：博众家之所长，集群英之荟萃。 ...
L1、L2、smooth L1三类损失函数
12-01 834
一、常见的MSE、MAE损失函数 1.1 均方误差、平方损失 均方误差（MSE）是回归损失函数中最常用的误差，它是预测值与目标值之间差值的平方和，其公式如下所示： 下图是均方根误差值的曲线分布，其中最小值为预测值为目标值的位置。 优点：各点都连续光滑，方便求导，具有较为稳定的解 缺点：不是特别的稳健，为什么？因为当函数的输入值距离中心值较远的时候，使用梯度下降法求解的时候梯度很大，可能导致梯度爆炸。 什么是梯度爆炸？误差梯度是神经网络训练过程中计算的方向和数量，用于以正确的方向和合适的量更新网络权重。
深度学习中常见的损失函数（L1Loss、L2loss）
qq_37925923的博客
10-17 2万+
损失函数
深度学习——常见损失函数Loss：L1 ，L2 ，MSE ，Binary Cross ，Categorical Cross ，Charbonnier ，Weighted TV ，PSNR
qq_40280673的博客
11-08 3万+
在深度学习中，损失函数是一个核心组件，它度量模型的预测结果与真实值之间的差异。通过最小化损失函数的值，模型能够在训练过程中逐渐改善其性能。损失函数为神经网络提供了一个明确的优化目标，是连接数据和模型性能的重要桥梁。
loss函数之L1Loss，MSELoss，SmoothL1Loss, HuberLoss
ltochange的博客
06-14 1万+
L1Loss 平均绝对误差（MAE），用于回归模型 对于包含NNN个样本的batch数据 D(x,y)D(x, y)D(x,y)，losslossloss计算如下: loss=1N∑n=1Nlnloss=\frac{1}{N} \sum_{n=1}^{N} l_{n}loss=N1​∑n=1N​ln​ 其中，ln=∣xn−yn∣l_{n}=\left|x_{n}-y_{n}\right|ln​=∣xn​−yn​∣ class L1Loss(_Loss): __constants__ = ['redu
机器学习常用loss：L1 loss、L2 loss、smothL1 loss、huber loss
qq_33278461的博客
09-11 1万+
常用loss： L1： 公式：L1=∑i=1n∣yi−f(xi)∣L1=\sum_{i=1}^{n}\left|y_{i}-f\left(x_{i}\right)\right|L1=i=1∑n​∣yi​−f(xi​)∣ 导数：dL1(x)dx={1 if x≥0−1 otherwise \frac{\mathrm{d} L_{1}(x)}{\mathrm{...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

sjx_alo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值