【caffe学习笔记】loss layer 损失层

Loss 设置了一个损失函数用来比较网络的输出和目标值，通过最小化损失来驱动网络的训练。

网络的损失通过前向操作计算，网络参数相对于损失函数的梯度则通过反向操作计算。

---

Softmax 损失

• 层类型： SoftmaxWithLoss

softmax 损失层一般用于计算多类分类问题的损失， 等同于 softmax 层后跟随一个多变量 Logistic 回归损失层(multinomial logistic loss)，但能提供数值上更稳定的梯度。

平方和/欧式损失 Sum-of-Squares / Euclidean

• 层类型: EuclideanLoss

Euclidean 损失层用来计算两个输入差值的平方和：

---

Hinge / Margin 损失

• 层类型: HingeLoss
• CPU implementation: ./src/caffe/layers/hinge_loss_layer.cpp
• CUDA GPU implementation: 未实现

参数

Optional（可选的）

• norm [default L1]:正则项类型，目前有L1和L2

输入

• n * c * h * w 预测值
• n * 1 * 1 * 1 真实标签

输出

• 1 * 1 * 1 * 1 计算的损失

例子

# L1 Norm
layer {
  name: "loss"
  type: "HingeLoss"
  bottom: "pred"
  bottom: "label"
}

# L2 Norm
layer {
  name: "loss"
  type: "HingeLoss"
  bottom: "pred"
  bottom: "label"
  top: "loss"
  hinge_loss_param {
    norm: L2
  }
}

hinge 损失层用来计算 one-vs-all hinge 或者 squared hinge 损失。

---

交叉熵损失 Sigmoid Cross-Entropy

SigmoidCrossEntropyLoss

---

信息熵损失 Infogain

InfogainLoss

---

准确率 Accuracy and Top-k

Accuracy 用来计算网络输出相对目标值的准确率， 它实际上并不是一个损失层， 所以没有反传操作