SmoothL1Loss¶

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

创建一个标准，如果绝对逐元素误差低于 beta，则使用平方项，否则使用 L1 项。它比 torch.nn.MSELoss 对异常值的敏感度更低，并且在某些情况下可以防止梯度爆炸（例如，参见 Ross Girshick 的论文 Fast R-CNN）。

对于大小为 $N$ 的批次，未归约的损失可以描述为

\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 损失可以被视为完全等价于 L1Loss，但将 $|x - y| < beta$ 部分替换为一个二次函数，使得其在 $|x - y| = beta$ 处的斜率为 1。二次段使 L1 损失在 $|x - y| = 0$ 附近变得平滑。

注意

平滑 L1 损失与 HuberLoss 密切相关，等价于 $huber(x, y) / beta$ （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 收敛到一个常数 0 损失。当 beta 为 0 时，平滑 L1 损失等价于 L1 损失。
当 beta -> $+\infty$ 时，平滑 L1 损失收敛到一个常数 0 损失，而 HuberLoss 收敛到 MSELoss。
对于 Smooth L1 损失，随着 beta 的变化，损失的 L1 部分具有 1 的恒定斜率。对于 HuberLoss，L1 部分的斜率为 beta。

参数

size_average (bool, optional) – 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，则损失将针对每个小批量求和。当 reduce 为 False 时忽略。默认值：True
reduce (bool, optional) – 已弃用（参见 reduction）。默认情况下，损失根据 size_average 在每个小批量的观测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, optional) – 指定要应用于输出的归约：'none' | 'mean' | 'sum'。'none'：不应用任何归约，'mean'：输出的总和将除以输出中的元素数量，'sum'：输出将求和。注意：size_average 和 reduce 正在被弃用，在此期间，指定这两个参数中的任何一个都会覆盖 reduction。默认值：'mean'
beta (float, optional) – 指定在 L1 和 L2 损失之间切换的阈值。该值必须是非负数。默认值：1.0

形状

文档