PyTorch学习笔记：nn.L1Loss——L1损失

PyTorch学习笔记：nn.L1Loss——L1损失

torch.nn.L1Loss(size_average=None, reduce=None, reduction='mean')

功能：创建一个绝对值误差损失函数，即L1损失：
l(x,y)=L={l1,…,lN}T,ln=∣xn−yn∣l(x,y)=L=\{l_1,\dots,l_N\}^T,l_n=|x_n-y_n| l(x,y)=L={l1​,…,lN​}T,ln​=∣xn​−yn​∣
其中，$N$表示batch size。

函数图像：

输入：

• size_average与reduce已经被弃用，具体功能可由reduction替代
• reduction：指定损失输出的形式，有三种选择：none|mean|sum。none：损失不做任何处理，直接输出一个数组；mean：将得到的损失求平均值再输出，会输出一个数；sum：将得到的损失求和再输出，会输出一个数

注意：

• 输入的$x$与$y$可以是任意维数的数组，但是二者形状必须一致

代码案例

对比reduction不同时，输出损失的差异

import torch.nn as nn
import torchx = torch.rand(10, dtype=torch.float)
y = torch.rand(10, dtype=torch.float)
L1_none = nn.L1Loss(reduction='none')
L1_mean = nn.L1Loss(reduction='mean')
L1_sum = nn.L1Loss(reduction='sum')
out_none = L1_none(x, y)
out_mean = L1_mean(x, y)
out_sum = L1_sum(x, y)
print(x)
print(y)
print(out_none)
print(out_mean)
print(out_sum)

输出

# 用于输入的x
tensor([0.8597, 0.0679, 0.6531, 0.5442, 0.9690, 0.1412, 0.1161, 0.6927, 0.2017, 0.3142])
# 用于输入的y
tensor([0.2538, 0.2823, 0.7768, 0.6710, 0.4303, 0.7249, 0.5897, 0.0048, 0.4121, 0.8169])
# 当reduction设置为none时，输出一个数组
# 该数组上的元素为x，y对应每个元素的绝对值损失，即对应元素做差求绝对值
tensor([0.6059, 0.2143, 0.1237, 0.1268, 0.5387, 0.5837, 0.4737, 0.6879, 0.2103, 0.5027])
# 当reduction设置为mean时，输出所有损失的平均值
tensor(0.4068)
# 当reduction设置为sum时，输出所有损失的和
tensor(4.0677)

注：绘图程序

import torch.nn as nn
import torch
import numpy as np
import matplotlib.pyplot as pltloss = nn.L1Loss(reduction='none')
x = torch.tensor([0]*100)
y = torch.from_numpy(np.linspace(-3,3,100))
loss_value = loss(x,y)
plt.plot(y, loss_value)
plt.savefig('L1Loss.jpg')

官方文档

nn.L1Loss：https://pytorch.org/docs/stable/generated/torch.nn.L1Loss.html#torch.nn.L1Loss

初步完稿于：2022年1月29日