內置/自己設計的損失函數使用對比

• 1.內置損失函數
• 2.自己設計損失函數

Pytorch內置了許多常用的損失函數，但是，實際應用中，往往需要依據不同的需求設計不同的損失函數。本篇博文對比總結了使用 內置和 自己設計損失函數的語法規則流程。

1.內置損失函數

使用內嵌的損失函數：

optimizer_d = torch.optim.Adam(netd.parameters(), opt.lr2, betas=(opt.beta1, 0.999)) #要優化網路netd中的參數，使用Adam優化算法 criterion = t.nn.BCELoss().to(device) #官方損失函數 output = netd(real_img) #網絡輸出 output error_d_real = criterion(output, true_labels) #將網路輸出output傳入損失函數計算真實值，一批次的輸出直接穿傳進去 optimizer_d.zero_grad() #要優化參數梯度歸零 error_d_real.backward() #由損失函數從最后一層開始極端各個參數的梯度 optimizer_d.step() #梯度反向傳播，更新參數

2.自己設計損失函數

optimizer_D = torch.optim.Adam(D.parameters(), lr=LR_D) #要優化網路D中的參數，使用Adam優化算法 prob_artist0 = D(artist_paintings) #網絡輸出prob_artist0 D_loss = - torch.mean(torch.log(prob_artist0) + torch.log(1. - prob_artist1)) #自己設計的損失函數，直接由網絡輸出prob_artist0計算損失 optimizer_D.zero_grad() #要優化參數梯度歸零 D_loss.backward(retain_graph=True) #由損失函數從最后一層開始的各個參數的梯度 optimizer_D.step() #梯度反向傳播，更新參數

核心過程都是一樣的，只不過在實際使用時會因為編程需要調整一些步驟的順序。

總結

以上是生活随笔為你收集整理的Pytorch(1)-内置/自己设计的损失函数使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。