HuberLoss

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

创建一个使用平方项的损失函数，如果元素级绝对误差低于 delta，则使用 delta 缩放的 L1 项。这种损失函数结合了 L1Loss 和 MSELoss 的优点；delta 缩放的 L1 区域使得损失对异常值不如 MSELoss 敏感，而 L2 区域在 0 附近提供平滑性。有关 Huber 损失更多信息，请参阅 Huber 损失。

对于批次大小为 $N$ 的情况，未归一化的损失可以描述为：

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

替换为

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

如果归一化不是 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，此损失与 SmoothL1Loss 等价。一般来说，此损失与 SmoothL1Loss 相比，相差 delta（即 Smooth L1 中的 beta）倍。参见 SmoothL1Loss 以了解两种损失在行为上的差异讨论。

参数:

• reduction（字符串，可选）- 指定应用于输出的归一化方式： 'none' | 'mean' | 'sum' 。 'none' ：不应用归一化， 'mean' ：输出总和将被除以输出中的元素数量， 'sum' ：输出将被求和。默认： 'mean'

• delta（浮点数，可选）- 指定在 delta 缩放 L1 和 L2 损失之间切换的阈值。该值必须是正数。默认：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 是 'none' ，则 $(*)$ ，与输入具有相同的形状。