HuberLoss

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

创建一个标准，如果绝对逐元素误差低于delta，则使用平方项，否则使用delta缩放的L1项。这个损失结合了L1Loss和MSELoss的优点；delta缩放的L1区域使得损失比MSELoss对异常值不那么敏感，而L2区域在L1Loss附近0处提供了平滑性。更多信息请参见Huber损失。

对于一批大小为 $N$，未减少的损失可以描述为：

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

与

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

如果 reduction 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，此损失等同于 SmoothL1Loss。 通常情况下，此损失与 SmoothL1Loss 的差异在于 delta（在 Smooth L1 中称为 beta）的因子。 请参阅 SmoothL1Loss 以获取关于这两种损失行为差异的更多讨论。

Parameters

• reduction (str, 可选) – 指定应用于输出的reduction方式： 'none' | 'mean' | 'sum'。'none'：不应用reduction， 'mean'：输出的总和将除以输出中的元素数量，'sum'：输出将被求和。默认值：'mean'

• delta (float, 可选) – 指定在delta-scaled L1和L2损失之间切换的阈值。 该值必须为正。默认值：1.0

Shape:

• 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'，那么 $(*)$，与输入形状相同。