SmoothL1Loss

class torch.nn.SmoothL1Loss(size_average=None, reduce=None, reduction='mean', beta=1.0)

创建一个准则，如果元素级绝对误差低于 beta，则使用平方项，否则使用 L1 项。它对异常值不如 torch.nn.MSELoss 敏感，并且在某些情况下可以防止梯度爆炸（例如，请参阅 Ross Girshick 的论文 Fast R-CNN）。

对于大小为 $N$ 的批次，未缩减的损失可以描述为

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

其中

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

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

平滑 L1 损失可以被看作与 L1Loss 完全相同，但将 $|x - y| < beta$ 部分替换为二次函数，使其在 $|x - y| = beta$ 处的斜率为 1。二次分段平滑了 $|x - y| = 0$ 附近的 L1 损失。

注意

平滑 L1 损失与 HuberLoss 密切相关，相当于 $huber(x, y) / beta$ （请注意，平滑 L1 的 beta 超参数也称为 Huber 的 delta）。这导致以下差异

• 当 beta -> 0 时，平滑 L1 损失收敛到 L1Loss，而 HuberLoss 收敛到常数 0 损失。当 beta 为 0 时，平滑 L1 损失等效于 L1 损失。

• 当 beta -> $+\infty$ 时，平滑 L1 损失收敛到常数 0 损失，而 HuberLoss 收敛到 MSELoss。

• 对于平滑 L1 损失，随着 beta 的变化，损失的 L1 段具有恒定的斜率 1。HuberLoss 的 L1 段的斜率为 beta。

参数

• size_average (bool, 可选) – 已弃用（参见 reduction）。默认情况下，损失在批次中的每个损失元素上取平均值。请注意，对于某些损失，每个样本有多个元素。如果字段 size_average 设置为 False，则损失将改为为每个小批量求和。当 reduce 为 False 时忽略。默认值：True

• reduce (bool, 可选) – 已弃用（参见 reduction）。默认情况下，损失根据 size_average 在每个小批量的观察值上取平均值或求和。当 reduce 为 False 时，返回每个批次元素的损失，并忽略 size_average。默认值：True

• reduction (str, 可选) – 指定应用于输出的缩减：'none' | 'mean' | 'sum'。'none'：不应用缩减，'mean'：输出的总和将除以输出中的元素数，'sum'：输出将被求和。注意：size_average 和 reduce 正在被弃用，同时，指定这两个参数中的任何一个都将覆盖 reduction。默认值：'mean'

• beta (float, 可选) – 指定在 L1 和 L2 损失之间更改的阈值。该值必须为非负数。默认值：1.0

形状

• 输入：$(*)$，其中 $*$ 表示任意数量的维度。

• 目标：$(*)$，与输入形状相同。

• 输出：标量。如果 reduction 为 'none'，则 $(*)$，与输入形状相同。