在深度学习项目中首先对数据做数据预处理，然后构建模型之后，第三步需要定义一个好的损失函数。
配置损失函数都是确保模型以预期方式工作的最重要步骤之一。 损失函数可以为神经网络提供很多实用的灵活性，它将定义网络输出与网络其余部分的连接方式。
简单说损失函数（J）可以定义为具有两个参数的函数：
- 预测输出
- 真实输出
通过将模型的预测值与真实值进行比较，比较二个值之间的差距，差距越小，损失函数越好，通常模型的性能越好。不同的模型用的损失函数一般也不一样。
一般来说，监督学习的目标函数由二部分组成：
传统深度学习损失函数
分类损失
二分类
在进行两个类之间的预测，通常让模型输出一个概率值，通过概率值阈值来判断，我们的样本属于那一类，通过概率判断属于哪一类需要用到一个激活函数，常见的使用S型函数，该函数将任何实际值压缩到0到1之间
由上图S函数图可知，随着sigmoid的输入变大并趋于正无穷大，的输出趋向于1。输入变小而趋向于负无穷大，输出将趋于0。现在我们保证总是得到一个介于0到1之间的值
在二分类中，我们可以认为一类为正样本，一类为负样本。
如果输出高于0.5（概率为50％），我们将认为它属于正类别；如果输出低于0.5，则我们将认为它属于负类别。例如，如果我们正在训练一个在猫和狗之间进行分类的网络，则可以为狗分配正类，并且在狗的数据集中的输出值将为1，类似地，将为猫分配负类，而对猫的输出值将为为0。
我们用于二进制分类的损失函数称为二进制交叉熵（BCE）。该功能有效地惩罚了用于二进制分类任务的神经网络
多分类
当我们需要我们的模型每次预测一个可能的类输出时，多分类是合适的。 现在，由于我们仍在处理概率，因此将sigmoid应用于所有输出节点可能有意义，这样我们对于所有输出都获得介于0到1之间的值，但这是有问题的。 在考虑多个类别的概率时，我们需要确保所有单个概率的总和等于1，因为这是定义概率的方式。 应用S形(sigmoid)不能确保总和始终等于1，因此我们需要使用另一个激活函数。
我们在这种情况下使用的激活函数是softmax。 此功能确保所有输出节点的值都在0-1之间，并且所有输出节点值的总和始终等于1。 softmax的公式如下：
在pytorch api中常用的损失函数：
torch.nn.CrossEntropyLoss：(交叉熵，用于多分类，要求label为稀疏编码，输入未经过
nn.Softmax激活，对不平衡数据集可以用weigths参数调整类别权重)
torch.nn.NLLLoss：(负对数似然损失，用于多分类，要求label为稀疏编码，输入经过
nn.LogSoftmax激活)
torch.nn.CosineSimilarity：(余弦相似度，可用于多分类)
多标签分类
当模型需要预测多个类别作为输出时，便完成了多标签分类。 例如，假设您正在训练神经网络，以预测某些食物图片中的成分。 我们需要预测多种成分，因此Y中将有多个1’。
为此，我们不能使用softmax，因为softmax始终只会迫使一个类别变为1，而其他类别变为0。因此，由于我们试图预测每个类别的个体概率，因此可以简单地在所有输出节点值上保持sigmoid。
至于损失，我们可以直接在每个节点上使用对数损失进行求和，类似于在多类分类中所做的。
回归损失
在回归模型中，我们的神经网络将为每个我们试图预测的连续值提供一个输出节点。 通过在输出值和真实值之间进行直接比较来计算回归损失。
我们用于回归模型的最流行的损失函数是均方误差损失函数。 在此，我们仅计算Y和Y_pred之差的平方，并对所有数据求平均值。 假设有n个数据点：
均方误差损失函数
在这里，Y_i和Y_pred_i指的是数据集中第i个Y值，以及来自神经网络的相同数据的相应Y_pred
在pytorch api中常用的损失函数：
torch.nn.MSELoss：（均方误差损失，也叫做L2损失，用于回归）
torch.nn.L1Loss：（L1损失，也叫做绝对值误差损失，用于回归）
torch.nn.Smooth1Loss：(平滑L1损失，当输入在-1到1之间时，平滑为L2损失，用于回归)
