HuberLoss

class torch.nn.HuberLoss(reduction='mean', delta=1.0)

建立一個損失準則，當絕對元素級誤差小於 delta 時使用平方項，否則使用 delta 縮放的 L1 項。該損失結合了 L1Loss 和 MSELoss 的優點；delta 縮放的 L1 區域使得損失對異常值不如 MSELoss 敏感，而 L2 區域在接近 0 時提供了比 L1Loss 更好的平滑性。更多資訊請參見 Huber loss。

對於大小為 $N$ 的批次，未進行歸約的損失可描述為

$$\ell(x, y) = L = \{l_1, ..., l_N\}^T$$

其中

$$l_n = \begin{cases} 0.5 (x_n - y_n)^2, & \text{if } |x_n - y_n| < delta \\ delta * (|x_n - y_n| - 0.5 * delta), & \text{otherwise } \end{cases}$$

如果 reduction 不是 none，則

$$\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{`sum'.} \end{cases}$$

注意

當 delta 設定為 1 時，此損失等同於 SmoothL1Loss。通常，此損失與 SmoothL1Loss 相差 delta 倍（在 Smooth L1 中也稱為 beta）。有關兩種損失之間行為差異的更多討論，請參見 SmoothL1Loss。

引數

• reduction (str, optional) – 指定應用於輸出的歸約方式：'none' | 'mean' | 'sum'。'none': 不應用歸約，'mean': 輸出的總和將除以輸出中的元素數量，'sum': 輸出將被求和。預設值：'mean'

• delta (float, optional) – 指定在 delta 縮放的 L1 和 L2 損失之間切換的閾值。該值必須為正。預設值：1.0

形狀

• 輸入：$(*)$，其中 $\ast$ 表示任意數量的維度。

• 目標：$(*)$，與輸入具有相同的形狀。

• 輸出：標量。如果 reduction 為 'none'，則為 $(*)$，與輸入具有相同的形狀。