梳理L1、L2与Smooth L1
关于L1、L2的范数、损失函数和正则化,之前一直混淆这几个概念,故对这几天看过的资料进行了学习总结。
范数(norm)是数学中的一种基本概念。在泛函分析中,它定义在赋范线性空间中,并满足一定的条件,即①非负性;②齐次性;③三角不等式。它常常被用来度量某个向量空间(或矩阵)中的每个向量的长度或大小。
首先以L2范数为例对范数做一个简单的说明:
L2范数:
假设 X X X是n维的特征 X = ( x 1 , x 2 , x 3 , … , x n ) X=(x_1,x_2,x_3,…,x_n) X=(x1,x2,x3,…,xn)
则L2范数: ∥ X ∥ 2 = ∑ i = 1 n x i 2 \left \|X\right \|_2=\sqrt{\sum_{i=1}^{n}x_i^2} ∥X∥2=∑i=1nxi2
一、作为损失函数
本部分内容大多来源于回归损失函数1:L1 loss, L2 loss以及Smooth L1 Loss的对比。
公式对比
L 1 L_1 L1
公式: L 1 = ∣ f ( x ) − Y ∣ L_1=\left|f(x)-Y\right| L1=∣f(x)−Y∣
求导: L 1 ′ = ± f ′ ( x ) L'_1=\pm{f'(x)} L1′=±f′(x)
L 2 L_2 L2
公式: L 2 = ∣ f ( x ) − Y ∣ 2 L_2=\left |f(x)-Y\right |^2 L2=∣f(x)−Y∣2
求导: L 2 ′ = 2 f ′ ( x ) ( f ( x ) − Y ) L'_2=2f'(x)(f(x)-Y) L2′=2f′(x)(f(x)−Y)
S m o o t h L 1 Smooth\;L_1 SmoothL1
公式:
S m o o t h L 1 = { 0.5 ( f ( x ) − Y ) 2 if ∣ f ( x ) − Y ∣ < 1 ∣ f ( x ) − Y ∣ − 0.5 if f ( x ) − Y < − 1 o r f ( x ) − Y > 1 Smooth\;L_1=\begin{cases} 0.5(f(x)-Y)^2 & \text{ if } \left|f(x)-Y\right|<1 \\ \left|f(x)-Y\right|-0.5 & \text{ if } f(x)-Y<-1\; or\;f(x)-Y>1 \end{cases} SmoothL1={0.5(f(x)−Y)2∣f(x)−Y∣−0.5 if ∣f(x)−Y∣<1 if f(x)−Y<−1orf(x)−Y>1
求导:
S m o o t h L 1 ′ = { f ′ ( x ) ( f ( x ) − Y ) if ∣ f ( x ) − Y ∣ < 1 ± 1 if f ( x ) − Y < − 1 o r f ( x ) − Y > 1 Smooth\;L'_1=\begin{cases} f'(x)(f(x)-Y) & \text{ if } \left|f(x)-Y\right|<1 \\ \pm 1 & \text{ if } f(x)-Y<-1\; or\;f(x)-Y>1 \end{cases} SmoothL1′={f′(x)(f(x)−Y)±1 if ∣f(x)−Y∣<1 if f(x)−Y<−1orf(x)−Y>1
上述三个函数的图像对比如下:
L1 Loss
L1 Loss即平均绝对误差(Mean Absolute Error,MAE) ,是指模型预测值
梳理L1、L2与Smooth L1相关推荐
- 目标检测回归损失函数——L1、L2、smooth L1
一. L1 Loss 1. 函数特性 L1 Loss也称为平均绝对值误差(MAE),是指模型预测值f(x)和真实值y之间绝对差值的平均值,公式如下: 其中 和 分别表示第 个样本的预测值及相应真实值, ...
- 目标检测中的BBox 回归损失函数-L2,smooth L1,IoU,GIoU,DIoU,CIoU,Focal-EIoU,Alpha-IoU,SIoU
目标检测的两个任务,分类和位置回归,本帖将经典的位置回归损失函数总结如下,按发表时间顺序. L1.L2.smooth L1 loss 提出smooth L1 loss的论文: L1最低点是不可导的,所 ...
- L1、L2、smooth L1三类损失函数
一.常见的MSE.MAE损失函数 1.1 均方误差.平方损失 均方误差(MSE)是回归损失函数中最常用的误差,它是预测值与目标值之间差值的平方和,其公式如下所示: 下图是均方根误差值的曲线分布,其中最 ...
- 【Smooth L1 Loss】Smooth L1损失函数理解
文章目录 1 引言 2 L1 Loss 3 L2 Loss 4 Smooth L1 Loss 5 曲线对比分析 6 参考链接 1 引言 目标检测任务的损失函数由Classificition Loss和 ...
- 手推公式带你轻松理解L1/L2正则化
文章目录 前言 L1/L2正则化原理 从数学的角度理解L1/L2正则化 从几何的角度理解L1/L2正则化 L1/L2正则化使用情形 前言 L1/L2正则化的目的是为了解决过拟合,因此我们先要明白什么是 ...
- 【回归损失函数】L1(MAE)、L2(MSE)、Smooth L1 Loss详解
1. L1 Loss(Mean Absolute Error,MAE) 平均绝对误差(MAE)是一种用于回归模型的损失函数.MAE 是目标变量和预测变量之间绝对差值之和,因此它衡量的是一组预测值中的平 ...
- 【AI面试】L1 loss、L2 loss和Smooth L1 Loss,L1正则化和L2正则化
损失函数是深度学习模型优化的一个灵魂基础,所以无论是很新的transform模型,还是比较早期的AlexNet,都不可避免的要涉及到损失函数的设计和应用. 所以,各种形形色色的损失函数(Loss)也就 ...
- L1、L2正则化以及smooth L1 loss
一.L1.L2正则化 当样本特征很多,而样本数相对较少时,学习过程很容易陷入过拟合.为了缓解过拟合问题,可以对损失函数加入正则化项.正则化项中的Lp范数有很多,常见的有L1范数和L2范数. 给定 ...
- 目标检测——Faster R_CNN使用smooth L1作为bbox的回归损失函数原因
目标检测--Faster R_CNN使用smooth L1作为bbox的回归损失函数原因 前情提要-- 网上关于目标检测框架--faster r_cnn有太多太好的博文,这是我在组会讲述faster ...
最新文章
- 认识jQuery及jQuery选择器
- python3各版本区别-Python2 与Python3的版本区别实例分析
- Java中的抽象类和方法
- LeetCode算法题12:递归和回溯-字符串中的回溯问题
- PHP session值控制
- 全面、详细的前端组件库
- linux whois工具,Linux whois命令
- 傅立叶变换系列(四)离散傅立叶变换
- C#中读取文本文件导入SQL数据库解决方法
- Mac 用快捷键选取文字,省时省力提高工作效率
- Python游戏开发平台、脚本系统架构设计
- JAVA——【案例】实现计算机系信息管理系统(教师和学生信息管理)
- 程序员的你不可不知的数据库northwind
- 如何做到秒级扩容1000加业务节点
- 利用Openyxl为Excel批量插入表头行(Excel读写基础操作)——下
- CSS设置background背景透明
- webflux 之 Stream流
- oracle的insert写法,Oracle中Insert语句的总结
- 微信小程序地图标记点marker,点击标记点显示详细信息
- MATLAB基于Canny边缘检测的车牌识别
热门文章
- 淘宝商品详情数据接口 关键字搜索接口 请求代码分享
- mysql有哪些集群_mysql集群有哪些方式
- git Please tell me who you are...解决方法
- Ubuntu Server 9.10下配置telnet服务心得
- 360和搜狗浏览器兼容模式和极速模式切换登录态丢失问题
- 如果看了此文你还不懂傅里叶变换,那就过来掐死我吧【完整版】 - 博客 - 伯乐在线...
- stm32开发板下esp8266通信
- GST--Style Tokens: Unsupervised Style Modeling, Control and Transfer in End-to-End Speech Synthesis
- RT-DETR的学习笔记
- 领导放弃你的3个苗头,只可意会不可言传,不悄悄改正前途灰暗