loss 函数

首先，Loss 是允许不降到 0 的，模型计算的 loss 最终结果可以接近 0。

可以成为 loss 函数的条件## 常用 loss

以下函数调用基于 Pytorch，头文件导入：
import torch.nn as nn

• 均方差（MSE）
  nn.functional.mse_loss
  定义
  预测值与真实值之差的平方的平均值
  应用场景
  主要用于回归问题
• 交叉熵（Cross Entropy）
  nn.functional.cross_entropy 要求二维的输入，一维的输出
  nn.CrossEntropyLoss 中已经实现了softmax功能
  对于 y_pred 的要求是：n * class_num，对于 y 的要求是 n
  交叉熵计算逻辑的例子
  定义
  衡量概率分布之间的差异
  应用场景
  • 主要用于分类问题，尤其是二分类和多分类问题
  • 适用于输出层使用 sigmoid 或 softmax 激活函数的情况，因为这些函数的输出可以解释为概率分布
  • 计算逻辑
    -log(预测值与正确标签对位相乘，再相加)
  • 使用前提
    1. 交叉熵的输入是一个概率值
    2. 预测场景概率空间和结果为1（log函数在x小于0时无定义）
       特点
    3. 目前，在分类问题上，基本都采用交叉熵。
    4. 使模型输出易于比较（通过交叉熵损失）
    5. 通过归一化（指将模型输出转换为概率分布）来评估模型性能

记录应用不多的其他 loss（以下 loss 有使用心得之后再做记录）

• 0/1损失（BCELoss）
  通常与 sigmoid 函数一起使用
• 指数损失
• 对数损失
• Hinge损失