4-5　损失函数

损失函数(Loss Functions)又称为目标函数(Objective Function)、成本函数(Cost Function)，算法以损失最小化为目标，估算模型所有的参数，即权重与偏差，例如回归的损失函数为均方误差(MSE)，我们也可以定义不同的损失函数，产生各种各样的应用，例如后续会讨论的风格转换(Style Transfer)、生成对抗网络(GAN)等。

PyTorch支持许多损失函数，可参阅官网关于损失函数的介绍 ^[9] 。

范例.列举常用的损失函数并进行测试。

下列程序代码请参考【04_13_损失函数.ipynb】。

（1）均方误差(MSE)：通常用于预测连续型的变量(y)。语法如下：torch.nn.MSELoss(reduction='mean')，若reduction='sum'，得到误差平方和(SSE)。

执行结果：tensor(1.8842, grad_fn=<MseLossBackward0>)。

损失的参数应为预测值与目标值，上述的程序只是测试，将input直接代入。

（2）绝对误差(MAE)：使用torch.nn.L1Loss。

（3）CrossEntropyLoss：交叉熵(Cross Entropy)，通常用于预测离散型的变量( y )。语法如下：

torch.nn.CrossEntropyLoss(weight=None, reduction='mean',

label_smoothing=0.0)

weight：每一类别占的权重，若为None，每一类别的权重均等。

reduction：与MSELoss相同，多一种选项None，表示不作加总或平均。

label_smoothing：计算后的损失函数是否平滑化，可设范围为[0, 1]，0表不平滑化，1表完全平滑化。

执行结果：tensor(2.4065, grad_fn=<NllLossBackward0>)。

注意， TensorFlow使用交叉熵时，目标值( y )要先进行One-hot encoding转换，将单一变量变成 n 个变量， n 为 y 的类别数，例如辨识0~9， n =10。或者采用SparseCategoricalCrossentropy， y 即可不转换，但PyTorch很贴心，可接受原本的 y 或经One-hot encoding的 y ，两者均可。

PyTorch还有很多损失函数，可用于语音、自然语言处理上，后续如有使用，再详细介绍。 k5+pTKvUlI7VyOEk2UtMCpYuC8Lr52gTCq5ym8R4vR8pdb5FDxtt6+R0N3xx7FMu