HuberLoss

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

创建了一个判别器，当绝对的逐元素误差小于 delta 时使用平方项，否则使用 delta 缩放的 L1 项。此损失结合了 L1Loss 和 MSELoss 的优点；delta 缩放的 L1 区域使得损失对异常值比 MSELoss 不那么敏感，而 L2 区域则在接近 0 的 L1Loss 提供了平滑性。有关更多信息，请参阅 Huber loss。

对于批次大小为 $N$ 的批次，未约减的损失可描述为

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

替换

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

如果 reduction 不是 none，则

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

注意

当 delta 设置为 1 时，此损失等同于 SmoothL1Loss。一般来说，此损失与 SmoothL1Loss 相差一个 delta（也称为 Smooth L1 中的 beta）的因子。有关两个损失之间行为差异的更多讨论，请参阅 SmoothL1Loss。

参数

• reduction (str, optional) – 指定应用于输出的约简：'none' | 'mean' | 'sum'。'none'：不应用约简，'mean'：输出的总和将除以输出中的元素数量，'sum'：输出将被求和。默认为：'mean'

• delta (float, optional) – 指定在 delta 缩放的 L1 和 L2 损失之间切换的阈值。该值必须为正数。默认为 1.0

形状

• 输入：$(*)$，其中 $*$ 表示任意数量的维度。

• 目标：$(*)$，与输入形状相同。

• 输出：标量。如果 reduction 为 'none'，则 $(*)$，与输入形状相同。