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！！！
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
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！