1、nn.CrossEntropyLoss()

在pytorch中nn.CrossEntropyLoss()为交叉熵损失函数，用于解决多分类问题，也可用于解决二分类问题。在使用nn.CrossEntropyLoss()其内部会自动加上Sofrmax层

 nn.CrossEntropyLoss()的计算公式如下：

其中， log以e为底，nn.CrossEntropyLoss(x, lable),有两个参数

• 第一个参数：x为输入也是网络的最后一层的输出，其shape为[batchsize,class]（函数要求第一个参数，也就是最后一层的输出为二维数据，每个向量中的值为不同种类的概率值）
• 第二个参数：是传入的标签，也就是某个类别的索引值，在上面公式没有参与计算。batch_size如果是1，那么就只有一个数字，0，1或者2，表示的就是此时这个样本对应的真实类别，如果为batch_size是2，那么就有两个数字，例如（0，1），分别表示这两条样本对应的真实类别。

例如，输入（也就是最后一层的输出）为x=[[4,8,3]]，shape=(1,3),即batchsize=1，class=3

• 第一步 我们首先计算一下三种类别分别对应的损失

loss(x,0)
=-x[0]+log(exp(x[0])+exp(x[1])+exp(x[2]))=-4+log(exp(4)+exp(8)+exp(3))=-4+8.0247=4.0247

loss(x,1)
=-x[1]+log(exp(x[0])+exp(x[1])+exp(x[2]))=-8+log(exp(4)+exp(8)+exp(3))=-8+8.0247=0.0247

loss(x,2)
=-x[2]+log(exp(x[0])+exp(x[1])+exp(x[2]))=-3+log(exp(4)+exp(8)+exp(3))=-3+8.0247=5.0247

• 第二步 用第二个参数（一维数据）也就是类别对应的索引值，在上面结果中选择对应的损失，例如若网络的输出为x=[[4,8,3]]，而对应的标签为1，则得到损失函数loss=0.0247。

2、BCELoss

BCELoss是Binary CrossEntropyLoss的缩写，nn.BCELoss()为二元交叉熵损失函数，只能解决二分类问题。在使用nn.BCELoss()作为损失函数时，需要在该层前面加上Sigmoid函数，一般使用nn.Sigmoid()即可。

3、nn.MSELoss

ps:用与解决回归问题，常用pytorch的nn.MSELoss损失函数（均方损失函数）

————————————————
版权声明：本文为CSDN博主「东城西阙」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_35605081/article/details/108368276