基于pytorch来讲
MSELoss（）多用于回归问题，也可以用于one_hotted编码形式，
CrossEntropyLoss()名字为交叉熵损失函数，不用于one_hotted编码形式
MSELoss（）要求batch_x与batch_y的tensor都是FloatTensor类型
CrossEntropyLoss（）要求batch_x为Float，batch_y为LongTensor类型
（1）CrossEntropyLoss（） 举例说明：
比如二分类问题，最后一层输出的为2个值，比如下面的代码：
class CNN (nn.Module ) :
def __init__ ( self , hidden_size1 , output_size , dropout_p) :
super ( CNN , self ).__init__ ( )
self.hidden_size1 = hidden_size1
self.output_size = output_size
self.dropout_p = dropout_p
self.conv1 = nn.Conv1d ( 1,8,3,padding =1)
self.fc1 = nn.Linear (8*500, self.hidden_size1 )
self.out = nn.Linear (self.hidden_size1,self.output_size )
def forward ( self , encoder_outputs ) :
cnn_out = F.max_pool1d ( F.relu (self.conv1(encoder_outputs)),2)
cnn_out = F.dropout ( cnn_out ,self.dropout_p) #加一个dropout
cnn_out = cnn_out.view (-1,8*500)
output_1 = torch.tanh ( self.fc1 ( cnn_out ) )
output = self.out ( ouput_1)
return output
最后的输出结果为：
上面一个tensor为output结果，下面为target，没有使用one_hotted编码。
训练过程如下：
cnn_optimizer = torch.optim.SGD(cnn.parameters(),learning_rate,momentum=0.9,\
weight_decay=1e-5)
criterion = nn.CrossEntropyLoss()
def train ( input_variable , target_variable , cnn , cnn_optimizer , criterion ) :
cnn_output = cnn( input_variable )
print(cnn_output)
print(target_variable)
loss = criterion ( cnn_output , target_variable)
cnn_optimizer.zero_grad ()
loss.backward( )
cnn_optimizer.step( )
#print('loss: ',loss.item())
return loss.item() #返回损失
说明CrossEntropyLoss()是output两位为one_hotted编码形式，但target不是one_hotted编码形式。
（2）MSELoss（） 举例说明：
网络结构不变，但是标签是one_hotted编码形式。下面的图仅做说明，网络结构不太对，出来的预测也不太对。
如果target不是one_hotted编码形式会报错，报的错误如下。
目前自己理解的两者的区别，就是这样的，至于多分类问题是不是也是样的有待考察。
以上这篇基于MSELoss()与CrossEntropyLoss()的区别详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
