跨境派

跨境派

跨境派,专注跨境行业新闻资讯、跨境电商知识分享!

当前位置:首页 > 工具系统 > 监控软件 > 深度学习(23):SmoothL1Loss损失函数

深度学习(23):SmoothL1Loss损失函数

时间:2024-04-08 12:30:41 来源:网络cs 作者:付梓 栏目:监控软件 阅读:

标签: 损失  函数  学习  深度 

0. 基本介绍

SmoothL1Loss是一种常用的损失函数,通常用于回归任务中,其相对于均方差(MSE)损失函数的优势在于对异常值(如过大或过小的离群点)的惩罚更小,从而使模型更加健壮。

SmoothL1Loss的公式为:

l o s s ( x , y ) = { 0.5 ( x − y ) 2 if  ∣ x − y ∣ < 1 ∣ x − y ∣ − 0.5 otherwise loss(x,y) = \begin{cases} 0.5(x-y)^2 & \text{if } |x-y| < 1 \\ |x-y| - 0.5 & \text{otherwise} \end{cases} loss(x,y)={0.5(x−y)2∣x−y∣−0.5​if ∣x−y∣<1otherwise​

其中,x和y分别为模型的输出和标签,|x-y|表示它们之间的差异。当|x-y|小于1时,采用平方误差;否则采用线性误差。这使得SmoothL1Loss相比于MSE更加鲁棒,即对于异常值的响应更加平缓。

在PyTorch中,可以使用nn.SmoothL1Loss()函数来构建SmoothL1Loss损失函数。

1. 绘制SmoothL1Loss函数

通过修改torch.linspace中的参数,可以改变图像的横坐标范围;通过修改torch.zeros中的参数,可以改变图像的高度和形状。

import torch.nn as nnimport matplotlib.pyplot as pltimport torch# 定义函数和参数smooth_l1_loss = nn.SmoothL1Loss(reduction='none')x = torch.linspace(-1, 1, 10000)y = smooth_l1_loss(torch.zeros(10000), x)# x2 = 1e3*x# y2 = 1e-3*smooth_l1_loss(torch.zeros(10000), x2)# 绘制图像plt.plot(x, y)# plt.plot(x, y2)plt.xlabel('x')plt.ylabel('SmoothL1Loss')plt.title('SmoothL1Loss Function')plt.show()

在这里插入图片描述

2. 移动SmoothL1Loss公式的临界点

移动临界点是为了在不尽兴其他操作的情况下,放大模型的损失

移动到0.1

import torch.nn as nnimport matplotlib.pyplot as pltimport torch# 定义函数和参数smooth_l1_loss = nn.SmoothL1Loss(reduction='none')x = torch.linspace(-1, 1, 10000)y = smooth_l1_loss(torch.zeros(10000), x)x2 = 1e1*xy2 = 1e-1*smooth_l1_loss(torch.zeros(10000), x2)# 绘制图像plt.plot(x, y)plt.plot(x, y2)plt.xlabel('x')plt.ylabel('SmoothL1Loss')plt.title('SmoothL1Loss Function')plt.show()

如下,箭头处保持玩弯曲
在这里插入图片描述

移动到0.01

如下,箭头处还可以看到弯曲

import torch.nn as nnimport matplotlib.pyplot as pltimport torch# 定义函数和参数smooth_l1_loss = nn.SmoothL1Loss(reduction='none')x = torch.linspace(-1, 1, 10000)y = smooth_l1_loss(torch.zeros(10000), x)x2 = 1e2*xy2 = 1e-2*smooth_l1_loss(torch.zeros(10000), x2)# 绘制图像plt.plot(x, y)plt.plot(x, y2)plt.xlabel('x')plt.ylabel('SmoothL1Loss')plt.title('SmoothL1Loss Function')plt.show()

在这里插入图片描述

本文链接:https://www.kjpai.cn/news/2024-04-08/155419.html,文章来源:网络cs,作者:付梓,版权归作者所有,如需转载请注明来源和作者,否则将追究法律责任!

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。

文章评论