PyTorch torch.nn.L1Loss Funktion
PyTorch torch.nn Referenzhandbuch
torch.nn.L1LossEs ist die L1-Verlustfunktion in PyTorch, auch bekannt als mittlerer absoluter Fehler (MAE).
Funktionsdefinition
torch.nn.L1Loss(reduction='mean')
Anwendungsbeispiel
Beispiel 1: Grundlegende Verwendung
Beispiel
import torch
import torch.nn as nn
criterion = nn.L1Loss()
pred = torch.tensor([3.0, 4.0, 5.0])
target = torch.tensor([2.0, 4.5, 5.5])
loss = criterion(pred, target)
print("L1-Verlust:", loss.item())
# Manuelle Überprüfung
manual = (pred - target).abs().mean()
print("Manuelle Berechnung:", manual.item())
import torch.nn as nn
criterion = nn.L1Loss()
pred = torch.tensor([3.0, 4.0, 5.0])
target = torch.tensor([2.0, 4.5, 5.5])
loss = criterion(pred, target)
print("L1-Verlust:", loss.item())
# Manuelle Überprüfung
manual = (pred - target).abs().mean()
print("Manuelle Berechnung:", manual.item())
Beispiel 2: Vergleich mit MSE
Beispiel
import torch
import torch.nn as nn
pred = torch.tensor([10.0, 20.0])
target = torch.tensor([0.0, 0.0])
print("L1-Verlust (robust gegenüber Ausreißern):", nn.L1Loss()(pred, target).item())
print("MSE-Verlust (empfindlich gegenüber Ausreißern):", nn.MSELoss()(pred, target).item())
import torch.nn as nn
pred = torch.tensor([10.0, 20.0])
target = torch.tensor([0.0, 0.0])
print("L1-Verlust (robust gegenüber Ausreißern):", nn.L1Loss()(pred, target).item())
print("MSE-Verlust (empfindlich gegenüber Ausreißern):", nn.MSELoss()(pred, target).item())
Anwendungsfälle
- Regressionsaufgaben: Erfordern Robustheit
- Ausreißer: Verrauschte Daten
- L1-Regularisierung: Sparsifizierung
Andere Erweiterungen