HuberLoss

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

Создаёт критерий, который использует квадратный член, если абсолютная элементная ошибка меньше дельта, и член L1, масштабированный на дельта, в противном случае. Этот критерий объединяет преимущества и L1Loss, и MSELoss; область L1, масштабированная на дельта, делает критерий менее чувствительным к выбросам, чем MSELoss, а область L2 обеспечивает гладкость по сравнению с L1Loss вблизи 0. См. Huber loss для получения дополнительной информации.

Для пакета размером $N$ нео́б́ра́ботанная функция потерь может быть описана как:

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

с

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

Если reduction не none, то:

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

Примечание

Когда delta установлено в 1, эта функция потерь эквивалентна SmoothL1Loss. В общем случае, эта функция потерь отличается от SmoothL1Loss на множитель дельта (также известный как beta в Smooth L1). См. SmoothL1Loss для дополнительного обсуждения различий в поведении между двумя функциями потерь.

Параметры:

• reduction (str, необязательно) – Указывает операцию агрегирования, применяемую к результату: 'none' | 'mean' | 'sum'. 'none': не применяется агрегирование, 'mean': сумма результата делится на количество элементов в результате, 'sum': результат суммируется. По умолчанию: 'mean'
• delta (float, необязательно) – Указывает порог, по которому меняется между L1 и L2 потерями, масштабированными на дельта. Значение должно быть положительным. По умолчанию: 1.0

Форма:

• Вход: $(*)$, где $*$ означает любое количество измерений.
• Цель: $(*)$, форма такая же, как у входа.
• Вывод: скаляр. Если reduction является 'none', то $(*)$, форма такая же, как у входных данных.