我试图了解与卷积神经网络一起使用的最佳损失函数。我开始知道我们可以混合两个损失函数。任何机构都可以分享它是在什么情况下完成的以及如何完成的？
何时以及如何使用混合损失函数进行反向传播？
人工智能
卷积神经网络
反向传播
目标函数
2021-11-08 11:45:41
1个回答
混合损失函数是非常可能的。例如，在神经风格迁移的情况下，有风格损失和内容损失。它们都通过网络反向传播。用于反向传播的最终损失是损失的加权和。在风格迁移的情况下，确保生成的图像不仅模仿风格图像的风格，而且保持原始内容。有时还有第三种损失，称为变异损失。这也适用于权重并求和。请注意，权重是一个超参数，在训练期间不会更改。此外，损失不应该衡量相同的目的，而是要一起优化的不同目的。使用 PyTorch 的示例代码：
loss1 = torch.nn.MSELoss(a,b)
loss2 = torch.nn.MSELoss(b,c)
loss = loss1 * alpha + loss2 * beta
其它你可能感兴趣的问题