为了方便使用，近期和朋友整理了对各种loss函数的对比，包括适用场景等等，对深度学习有很大的帮助，希望与大家共同学习

L1 Loss、平均绝对误差（MAE） 当torch.nn.L1Loss的参数reduction选择’sum’时即为L1 loss； 当选择 ‘mean’ 或’none’时，即为MAE。 公式如下： MAE=1n∗∑i=1n∣yi−yip∣MAE = \frac{1}{n} * \sum\limits_{i = 1}^n {\left| {{y_i} – y_i^p} \right|}MAE=n1​∗i=1∑n​∣yi​−yip​∣ L1=∑i=1n∣yi−yip∣L1 = \sum\limits_{i = 1}^n {\left| {{y_i} – y_i^p} \right|}L1=i=1

在Keras中可以自定义损失函数，在自定义损失函数的过程中需要注意的一点是，损失函数的参数形式，这一点在Keras中是固定的，须如下形式： def my_loss(y_true, y_pred): # y_true: True labels. TensorFlow/Theano tensor # y_pred: Predictions. TensorFlow/Theano tensor of the same shape as y_true . . . return scalar #返回一个标量值 然后在model.compile中指定即可，如： model.compile(los

语音降噪模型训练PMSQE loss 对应pesq指标MOS分

主要介绍了keras 自定义loss损失函数,sample在loss上的加权和metric详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

神经元节点的个数，隐藏层的个数，都是可以调节的，Optimer优化器有'SGD','mSGD','nSGD','AdaGrad','RMSProp','nRMSProp','Adam'，激活函数有relu和sigmoid