HuberLoss

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

Создаёт критерий, использующий квадратную функцию, если абсолютная элементная ошибка меньше дельта, и в противном случае — L1-функцию, масштабированную с помощью дельта. Этот критерий объединяет преимущества L1Loss и MSELoss; область L1, масштабированная с помощью дельта, делает критерий менее чувствительным к выбросам, чем MSELoss, а область L2 обеспечивает гладкость по сравнению с L1Loss вблизи 0. Подробнее об Huber loss см. Huber loss.

Для пакета из $N$ элементов, нередуцированная потеря может быть описана как:

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

где

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

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 дельта установлена в 1, эта потеря эквивалентна SmoothL1Loss. В общем случае эта потеря отличается от SmoothL1Loss на коэффициент дельта (также известный как бета в Smooth L1). Подробнее о различиях в поведении двух критериев см. SmoothL1Loss.

Параметры

• reduction (str, необязательный) – Указывает на применение редукции к выходу: 'none' | 'mean' | 'sum'. 'none': не будет применена редукция, 'mean': сумма выхода будет разделена на количество элементов в выходе, 'sum': выход будет суммирован. По умолчанию: 'mean'
• delta (float, необязательный) – Указывает на порог, при котором происходит смена между масштабированной L1 и L2-потерей. Значение должно быть положительным. По умолчанию: 1.0

Форма:

• Вход: $(*)$, где $*$ означает любое количество измерений.
• Цель: $(*)$, такая же форма, как у входа.
• Выход: скаляр. Если reduction 'none', тогда $(*)$, такая же форма, как у входа.