深度学习调优：选对正确的loss函数，再超参数调优真的很重要！！！
- 开发
- 18
-
本人亲测：模型不变，用别人代码中自定义的loss函数和test_smooth_l1函数真的天差地别！
选择适合的损失函数
- MSE：适用于需要显著惩罚大偏差的情况。
- MAE：适用于数据中存在异常值，并且你希望对异常值不那么敏感的情况。
- Smooth L1 Loss：适用于既有一定抗噪声能力又能对大偏差适当惩罚的情况。
最终选择Smooth L1 Loss这个损失函数
然后反向传播和optuna时，都以这个测试集中的Smooth L1 Loss作为参数，经过optuna调优，即可得到好的结果。
不合适的loss函数（自定义的myloss）预测结果：
合适的loss函数预测结果（通过下面的information开可以看出不是一个数据）：
原文地址:https://blog.csdn.net/weixin_44162814/article/details/140528847
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。
本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：https://www.suanlizi.com/kf/1814007742092939264.html
如若内容造成侵权/违法违规/事实不符，请联系《酸梨子》网邮箱：1419361763@qq.com进行投诉反馈，一经查实，立即删除！
![[Linux]Linux编译器gcc/g++](https://i-blog.csdnimg.cn/direct/6039c464a0054394bf8c9bbc1e20c438.png)
