Pytorch学习笔记——损失函数的综合运用

1. 基本损失函数

平均绝对误差（L1损失）

import torch
from torch import nn# 示例输入和目标张量
input = torch.tensor([1, 1, 3], dtype=torch.float32)
target = torch.tensor([1, 1, 5], dtype=torch.float32)# 将张量重塑为预期的维度（N, C, H, W）
input = torch.reshape(input, (1, 1, 1, 3))
target = torch.reshape(target, (1, 1, 1, 3))# 定义L1损失函数
loss1 = nn.L1Loss()
output = loss1(input, target)
print("L1损失:", output.item())

均方误差（MSE损失）

# 定义MSE损失函数
loss2 = nn.MSELoss()
output = loss2(input, target)
print("MSE损失:", output.item())

得到的结果如下

2. 计算原理

L1损失函数的公式如下：
$$\text{L1 Loss}=\frac{1}{n}\sum _{i=1}^n|x_i-y_i|$$
输入和目标张量分别是 input = [1, 1, 3] 和 target = [1, 1, 5]。计算步骤如下：

1. 计算每个元素的绝对差异：
   $$|1-1|=0,|1-1|=0,|3-5|=2$$
2. 计算平均绝对差异：
   $$\text{L1 Loss}=\frac{2}{3}\approx 0.6667$$

均方误差损失函数的公式如下：
$$\text{MSE Loss}=\frac{1}{n}\sum _{i=1}^n(x_i-y_i{)}^2$$
目标张量分别是 input = [1, 1, 3] 和 target = [1, 1, 5]。计算步骤如下：

1. 计算每个元素的平方差异：
   $$(1-1{)}^2=0(1-1{)}^2=0(3-5{)}^2=4$$
2. 计算平均平方差异：
   $$\text{MSE Loss}=\frac{4}{3}\approx 1.3333$$

3. 使用CIFAR-10的卷积神经网络的综合运用实例

结合之前的知识，构建一个简单的CNN模型来分类CIFAR-10数据集中的图像。

导入必要的库和数据

import torchvision
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Linear, Flatten, Sequential
from torch.utils.data import DataLoader# 下载并加载CIFAR-10数据集
dataset = torchvision.datasets.CIFAR10(root="data1", train=False, transform=torchvision.transforms.ToTensor(), download=True)
# 使用DataLoader加载数据
dataloader = DataLoader(dataset, batch_size=64)

定义卷积神经网络

class NN(nn.Module):def __init__(self):super(NN, self).__init__()self.model1 = Sequential(Conv2d(3, 32, 5, padding=2),  # 第一次卷积MaxPool2d(2),  # 第一次最大池化Conv2d(32, 32, 5, padding=2),  # 第二次卷积MaxPool2d(2),  # 第二次最大池化Conv2d(32, 64, 5, padding=2),  # 第三次卷积MaxPool2d(2),  # 第三次最大池化Flatten(),  # 展平层，将多维的特征图展平为一维Linear(1024, 64),  # 第一个全连接层Linear(64, 10)  # 第二个全连接层)def forward(self, x):x = self.model1(x)return x

定义损失函数和训练过程

# 定义交叉熵损失函数
loss = nn.CrossEntropyLoss()
# 初始化模型
mynn = NN()# 训练模型
for data in dataloader:imgs, targets = data# 前向传播outputs = mynn(imgs)# 计算损失result_loss = loss(outputs, targets)# 反向传播result_loss.backward()print("--------------ok--------------")