1.Dataset 和 Dataloader 的区别。

都是来自工具pytorch。

Dataset ：dataset 来自torch.utils.data.Dataset，是代表数据的基类，我们自定义的数据类可以通过继承和重写这个抽象类的__getitem__和__len__函数实现。

__getitem__：通过index访问数据，能够同时返回数据和类别对应的标签，这里数据和标签为tensor类型。

_len__：获取数据的个数。

Dataloader：dataloader是处理模式输入数据的一个工具类。组合了数据集加采样器，并在数据集上提供单线程和多线程的可迭代对象。

epoch：      所有的训练样本输入到模型中称为一个epoch；

iteration：  一批样本输入到模型中，成为一个Iteration;

batchszie：批大小，决定一个epoch有多少个Iteration；

迭代次数（iteration）=样本总数/批尺寸（batchszie）

函数原型：

torch.utils.data.DataLoader(dataset, batch_size=1, 

    shuffle=False, sampler=None, 

    batch_sampler=None, num_workers=0, 

    collate_fn=None, pin_memory=False, 

    drop_last=False, timeout=0, 

    worker_init_fn=None, multiprocessing_context=None)

2.深度学习中常见的损失函数有那些？

[1]针对分类任务

--多分类任务的交叉熵损失函数：

--二分类任务的交叉熵损失函数：

--focal loss 解决难易样本数量不均衡问题和正负样本数量不均衡问题。

focal loss 存在的问题就是：

1.参数的选择对收敛有影响。

2.关注困难样本会导致过分关注噪声点、离群点，反而不易收敛。

[2]针对回归任务

--MAE损失（Mean Absolute Loss）也被称为L1loss，是以绝对误差作为度量。

--MSE损失（Mean Square Loss）也被称为L2Loss,是以误差的平方和作为度量。

异常值

MSE对异常值敏感，因为它的惩罚是平方的，所以异常值的loss会非常大。

MAE对异常之不敏感，

不妨设拟合函数为常数，那么MSE就相当于所有数据的均值（列出loss对c求导即可），而MAE相当于所有数据的中位数，所以会对异常值不敏感。

优化效率

MAE不可导而且所有的导数的绝对值都相同，优化时无法确定更新速度，

MSE可导，有closed-form解，只需要令偏导数为0即可。

如何选择

如果想要检测异常值则使用MSE，如果想学习一个预测模型则建议使用MAE，或者先进行异常值处理再使用MSE

--smooth L1 loss 

其中：𝑥=f(x)−y 为真实值和预测值的差值

--Huber Loss 也可以称为：Smooth Mean Absolute Error

为什么要使用 Huber Loss

使用MAE训练神经网络的一个大问题是它的持续大梯度，这可能会导致在使用梯度下降训练结束时丢失最小值。对于MSE，当损失接近其最小值时，梯度减小，使其更加精确。

在这种情况下，Huber损失是非常有用的，因为它在减小梯度的最小值附近弯曲。它比MSE对离群值更稳健。因此，它结合了MSE和MAE的优良性能。然而，Huber损失的问题是我们可能需要训练超参数delta，这是一个迭代过程。

--Log-Cosh Loss

Log-Cosh是一个回归损失函数，它比L2更平滑的损失函数。Log-cosh是预测误差使用的数学函数是双曲余弦的对数。公式如下：

优点： 1. 该损失函数 数学意义近似 (x^2)/2；其中，对于非常大的x 数学意义近似于 ；这里的数学意义表明：该函数的工作方式与均方差公式有点类似，该损失函数，具有Huber损失函数的所有优点，并且处处可微。

[3] 针对同类样本和不同样本之间差异的loss triplet loss

triplet loss的计算是基于一个三元组计算同类样本和不同类样本之间的距离差，其中a表示选定的锚点，p表示与a同类别的样本，n表示与a不同类别的样本。

的作用：