深度学习：常用的损失函数的使用和损失函数学习总结

1.损失函数的概念

        损失函数是监督学习中的一个核心概念，用于衡量模型预测的结果与真实值之间的差距。在机器学习模型的训练过程中，损失函数计算预测值与实际标签之间的误差，训练的目标就是通过优化算法（如梯度下降）最小化这个损失函数，从而使模型在给定数据集上的表现尽可能好。
损失函数有多种形式，选择哪一种通常取决于具体的任务（如回归、分类、序列预测等）和数据的特性。

        在深度学习中，选择合适的损失函数对于训练模型和优化预测性能至关重要。以下是一些常用的损失函数及其特点和适用场景：

2.L1Loss（平均绝对误差损失 Mean Absolute Error, MAE）:

        L1Loss损失函数，也被称为平均绝对误差损失（Mean Absolute Error, MAE），是一种常用的损失函数，尤其在回归问题中。它计算的是预测值与真实值之间差的绝对值的平均。

1.定义

2.特点

• 鲁棒性：L1Loss对异常值（outliers）相对鲁棒，因为它对误差的惩罚是线性的，不像平方误差（MSELoss）那样对大误差有平方级的惩罚。
• 稀疏性：在某些情况下，L1Loss可以导致模型参数的稀疏性，即许多参数值为零，这在特征选择中可能是有益的。
• 不可微：在 
  标签：MSELoss,函数,L1Loss,模型,分类,损失,学习
  From： https://blog.csdn.net/mohanyelong/article/details/142341404