深度学习：常见损失函数简介--名称、作用和用法
目录
1. L1 Loss
2. NLL Loss (Negative Log Likelihood Loss)
3. NLLLoss2d
4. Gaussian NLL Loss
5. MSE Loss (Mean Squared Error Loss)
6. BCE Loss (Binary Cross-Entropy Loss)
7. Smooth L1 Loss
8. Cross Entropy Loss
1. L1 Loss
- 作用：计算预测值与真实值之间的绝对差。
- 用法：常用于回归问题，适合处理异常值。
- 公式：
2. NLL Loss (Negative Log Likelihood Loss)
- 作用：用于分类任务，特别是在使用Softmax的多类分类中。
- 用法：通常与Softmax输出结合使用。
- 公式：
3. NLLLoss2d
- 作用：与NLL Loss类似，但用于2D图像数据（如语义分割）。
- 用法：适用于多类图像分割任务。
- 公式：类似于NLL Loss，但在空间维度上扩展。
4. Gaussian NLL Loss
- 作用：用于处理带有高斯噪声的回归任务。
- 用法：输出为高斯分布的模型。
- 公式：
5. MSE Loss (Mean Squared Error Loss)
- 作用：计算预测值与真实值之间的均方误差。
- 用法：广泛用于回归问题。
- 公式：
6. BCE Loss (Binary Cross-Entropy Loss)
- 作用：用于二分类问题，计算每个样本的交叉熵。
- 用法：适合处理二元标签任务。
- 公式：
7. Smooth L1 Loss
- 作用：结合了L1 Loss和MSE Loss，平滑处理。
- 用法：常用于目标检测任务。
- 公式：当差值小于1时，使用MSE，否则使用L1。
8. Cross Entropy Loss
- 作用：用于多类分类问题，计算预测分布与真实分布的差异。
- 用法：常与Softmax一起使用。
- 公式：
