深度学习（三）：PyTorch 损失函数：按任务分类的实用指南

PyTorch 损失函数：按任务分类的实用指南

损失函数的核心作用是 “衡量模型预测与真实结果的差异”，选择的关键是匹配任务类型（回归 / 分类）和模型输出形式。以下按 “任务场景” 分类整理，清晰标注每个损失函数的适用场景、核心特点及激活函数搭配要求。

一、回归任务专用损失函数

回归任务的目标是预测 “连续数值”（如房价、温度、销量），对应的损失函数聚焦于 “数值差异的量化”。

损失函数	核心特点	适用场景	激活函数搭配
MSELoss	计算 “预测值与真实值差值的平方的平均值”（均方误差），对大误差惩罚更严厉	普通回归任务（如预测房价）	无需额外激活函数
SmoothL1Loss	结合 L1 损失（对异常值不敏感）和 MSE 损失（梯度平滑）的优点，训练更稳定，泛化能力强	回归任务（尤其数据含异常值时，如目标检测中的边界框回归）	无需额外激活函数

二、分类任务专用损失函数

分类任务的目标是预测 “离散类别”（如猫 / 狗 / 鸟、垃圾邮件 / 正常邮件），按 “类别数量” 分为 “多分类” 和 “二分类”，损失函数需匹配类别输出形式。

2.1 多分类任务（类别数 ≥3，如 10 类图像分类）

损失函数	核心特点	激活函数搭配（关键！）
CrossEntropyLoss	自带 log_softmax 操作，直接接收模型输出的 “原始得分（Logits）”，无需额外加激活函数；本质是 “log_softmax + NLLLoss”	模型最后一层不添加激活函数（直接输出 Logits）
NLLLoss	计算 “负对数似然损失”，需先将模型输出转为 “对数概率”	模型最后一层必须加 log_softmax 激活函数

2.2 二分类任务（类别数 =2，如判断是否为垃圾邮件）

损失函数	核心特点	激活函数搭配（关键！）
BCELoss	计算 “二元交叉熵”，需接收模型输出的 “0~1 概率值”	模型最后一层必须加 sigmoid 激活函数（将输出压缩到 0~1）
BCEWithLogitsLoss	自带 sigmoid 操作，直接接收模型输出的 “原始得分（Logits）”，避免单独加激活函数时的数值不稳定问题；本质是 “sigmoid + BCELoss”	模型最后一层不添加激活函数（直接输出 Logits）

三、特殊任务专用损失函数

针对特定场景设计，解决非常规的匹配或对齐问题。

损失函数	核心用途	典型场景
CTCLoss	用于 “输入与输出长度不固定时的对齐”，无需提前标注输入（如音频）与输出（如文本）的一一对应关系	语音识别（音频→文字）、手写体识别（图像→文字）

四、快速选择总结（避坑指南）

1. 做回归：数据无异常值用 MSELoss，有异常值或需稳定训练用 SmoothL1Loss；
2. 做多分类：想省事儿直接用 CrossEntropyLoss（自带激活），若需自定义 log_softmax 再用 NLLLoss；
3. 做二分类：模型没加 sigmoid 用 BCEWithLogitsLoss（自带激活），加了 sigmoid 用 BCELoss；
4. 语音 / 手写识别：输入输出长度不固定时，直接用 CTCLoss。