【pytorch损失函数（7）】损失函数的选择需结合属性类型（分类/回归）、任务粒度（单标签/多标签）以及数据特性（类别平衡性）

在属性（如颜色、类型等）的监督学习中，损失函数的选择需结合属性类型（分类/回归）、任务粒度（单标签/多标签）以及数据特性（类别平衡性）。

1. 分类属性（如颜色、类型、方向）

(1) 单标签分类（互斥类别）

• 场景：每个属性仅属于一个类别（如车道颜色只能是红/绿/蓝中的一种）。
• 推荐损失：
  • 交叉熵损失（Cross-Entropy Loss）
    标准分类损失，适用于类别平衡的数据。

    loss_fn = nn.CrossEntropyLoss(weight=class_weights)  # 可选类别权重
    loss = loss_fn(preds, gts)  # preds: [B, C], gts: [B]（类别索引）
    

  • Focal Loss
    解决类别不平衡问题（如某些颜色样本极少）。

    loss_fn = FocalLoss(alpha=0.25, gamma=2.0)  # 抑制易分类样本的权重
    

(2) 多标签分类（非互斥类别）

• 场景：属性可同时属于多个类别（如车道类型=“虚线”+“黄色”）。
• 推荐损失：
  • 二元交叉熵（Binary Cross-Entropy, BCE）
    每个类别独立计算概率。

    loss_fn = nn.BCEWithLogitsLoss()  # 内置Sigmoid
    loss = loss_fn(preds, gts)  # preds/gts: [B, C]（C为类别数）
    

  • Dice Loss
    适用于类别高度不平衡的分割任务（如罕见属性）。

    def dice_loss(pred, gt, smooth=1e-6):
        pred = torch.sigmoid(pred)
        intersection = (pred  gt).sum()
        return 1 - (2.  intersection + smooth) / (pred.sum() + gt.sum() + smooth)
    

2. 回归属性（如长度、曲率、角度）

(1) 连续值预测

• 场景：需预测数值型属性（如车道长度、曲率半径）。
• 推荐损失：
  • L1 Loss（MAE）
    对异常值鲁棒，输出更稳定。

    loss_fn = nn.L1Loss()
    loss = loss_fn(preds, gts)  # preds/gts: [B, 1]
    

  • Smooth L1 Loss
    结合L1和L2的优点，避免梯度爆炸。

    loss_fn = nn.SmoothL1Loss(beta=0.1)  # beta控制过渡区间
    

(2) 方向或角度预测

• 场景：预测车道方向（0°~360°），需处理周期性。
• 推荐损失：
  • Huber Loss for Angles
    将角度差转换为周期性误差。

    def angle_loss(pred, gt):
        diff = torch.abs(pred - gt)
        return torch.mean(torch.min(diff, 360 - diff))  # 最小化环形距离
    

3. 多任务联合训练

若需同时优化多个属性（如颜色+类型+方向），可采用：

(1) 加权多损失融合

loss_weights = {'color': 1.0, 'type': 0.5, 'angle': 0.2}  # 手动调参
total_loss = sum(loss_weights[k]  loss_fn[k](preds[k], gts[k]) for k in loss_weights)

(2) 自适应权重（如Uncertainty Weighting）

# 学习每个任务的不确定性权重
log_vars = nn.ParameterDict({k: nn.Parameter(torch.zeros(1)) for k in ['color', 'type']})
loss = sum(0.5  torch.exp(-log_vars[k])  loss_fn[k](preds[k], gts[k]) + log_vars[k] for k in log_vars)

1. 类别不平衡：
   • 分类任务优先选择 Focal Loss 或加权 CrossEntropy。
   • 回归任务使用 Huber 或 Smooth L1。
2. 输出归一化：
   • 角度预测需归一化到 [0, 360] 或使用 sin/cos 编码。
3. 多任务权衡：
   • 通过网格搜索或不确定性加权调整损失比例。

总结

• 分类属性：CrossEntropy（平衡数据）或 Focal Loss（不平衡数据）。
• 回归属性：Smooth L1（通用）或自定义周期性损失（角度）。
• 多任务：加权求和或自适应不确定性加权。