HuberLoss

class torch.nn.HuberLoss(reduction='mean', delta=1.0)

创建一个损失准则，当绝对元素级误差小于 delta 时使用平方项，否则使用 delta 缩放的 L1 项。该损失结合了 L1Loss 和 MSELoss 的优点；delta 缩放的 L1 区域使得损失对异常值不如 MSELoss 敏感，而 L2 区域在接近 0 时提供了比 L1Loss 更好的平滑性。更多信息请参见 Huber loss。

对于大小为 $N$ 的批次，未进行归约的损失可描述为

$$\ell(x, y) = L = \{l_1, ..., l_N\}^T$$

其中

$$l_n = \begin{cases} 0.5 (x_n - y_n)^2, & \text{if } |x_n - y_n| < delta \\ delta * (|x_n - y_n| - 0.5 * delta), & \text{otherwise } \end{cases}$$

如果 reduction 不是 none，则

$$\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{`sum'.} \end{cases}$$

注意

当 delta 设置为 1 时，此损失等同于 SmoothL1Loss。通常，此损失与 SmoothL1Loss 相差 delta 倍（在 Smooth L1 中也称为 beta）。有关两种损失之间行为差异的更多讨论，请参见 SmoothL1Loss。

参数

• reduction (str, optional) – 指定应用于输出的归约方式：'none' | 'mean' | 'sum'。'none': 不应用归约，'mean': 输出的总和将除以输出中的元素数量，'sum': 输出将被求和。默认值：'mean'

• delta (float, optional) – 指定在 delta 缩放的 L1 和 L2 损失之间切换的阈值。该值必须为正。默认值：1.0

形状

• 输入：$(*)$，其中 $\ast$ 表示任意数量的维度。

• 目标：$(*)$，与输入具有相同的形状。

• 输出：标量。如果 reduction 为 'none'，则为 $(*)$，与输入具有相同的形状。