损失函数_Lcm_Tech的博客-CSDN博客

 1. 回归任务损失函数（MAE、MSE）

【损失函数】MSE, MAE, Huber loss详解_mse损失函数-CSDN博客

【回归损失函数】L1（MAE）、L2（MSE）、Smooth L1 Loss详解_mae损失函数-CSDN博客

2. 分类任务评价指标（Accuracy、Precision、Recall、F1）

机器学习-理解Accuracy，Precision，Recall, F1 score以及sklearn实现 - 知乎 (zhihu.com)

sklearn分类评估参数 average_sklearn average-CSDN博客多分类问题的“宏平均”（macro-average）与“微平均”(micro-average) - 知乎 (zhihu.com)sklearn分类评估参数 average_sklearn average-CSDN博客（多分类问题）

以上概率也可以作为多分类任务的指标。

3. 分类任务损失函数（CrossEntropyLoss、BCELoss）

3.1 交叉熵CrossEntropyLoss

从信息量 -> 熵 -> 相对熵（KL散度）-> 交叉熵 这个进阶路径来介绍：一文搞懂交叉熵在机器学习中的使用，透彻理解交叉熵背后的直觉-CSDN博客https://blog.csdn.net/tsyccnh/article/details/79163834可以看到KL散度在二分类问题下就是NLL负对数似然估计。

通过优化分布Q来拟合分布P，可以用KL散度来做为目标函数，当KL散度为0时两个分布一致。分布P是客观存在的，其信息熵为常量，把常量减去后即为交叉熵。

KL散度非负性证明：KL散度(Kullback–Leibler divergence)非负性证明_kl散度非负性证明-CSDN博客

softmax（结果相关）与sigmoid（结果不相关）：

深度学习原理42——一文彻底理解sigmoid和softmax的区别和输出通道维度的关系_语义分割中sigmod输出的置信度-CSDN博客

机器学习之单标签多分类及多标签多分类-CSDN博客

一些数学实现细节上的讨论：

分类问题中的损失函数 - 知乎 (zhihu.com)

torch代码实现细节：

NLLLoss和CrossEntropyLoss的区别和联系-CSDN博客

NLLLoss — PyTorch 2.4 documentation CrossEntropyLoss — PyTorch 2.4 documentation

3.2 单分类任务BCELoss

深刻剖析与实战BCELoss详解（主）和BCEWithLogitsLoss（次）以及与普通CrossEntropyLoss的区别（次）-CSDN博客

4. 其他

MLE（最大似然估计）：

深度探索：机器学习中的最大似然估计（MLE）原理及其应用-CSDN博客

其他损失函数可参考：

一文看尽深度学习中的15种损失函数 - 知乎 (zhihu.com)

pytorch中常见loss函数归纳（二分类、多分类、检测、分割、回归）_pytorch 二分类loss-CSDN博客

其他评价指标：

常见损失函数和评价指标总结（附公式&代码）_r2损失函数-CSDN博客