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 $X$ 是n维的特征 $X=(x_1,x_2,x_3,…,x_n)$

则L2范数： $\left \|X\right \|_2=\sqrt{\sum_{i=1}^{n}x_i^2}$

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

$L_1$
- 公式： $L_1=\left|f(x)-Y\right|$
- 求导： $L'_1=\pm{f'(x)}$
$L_2$
- 公式： $L_2=\left |f(x)-Y\right |^2$
- 求导： $L'_2=2f'(x)(f(x)-Y)$
$Smooth\;L_1$
- 公式：
  
  $Smooth\;L_1=\begin{cases} 0.5(f(x)-Y)^2 & \text{ if } \left|f(x)-Y\right|<1 \\ \left|f(x)-Y\right|-0.5 & \text{ if } f(x)-Y<-1\; or\;f(x)-Y>1 \end{cases}$
- 求导：
  
  $Smooth\;L'_1=\begin{cases} f'(x)(f(x)-Y) & \text{ if } \left|f(x)-Y\right|<1 \\ \pm 1 & \text{ if } f(x)-Y<-1\; or\;f(x)-Y>1 \end{cases}$

上述三个函数的图像对比如下：

L1、L2与Smooth L1图像对比

L1 Loss

L1 Loss即平均绝对误差（Mean Absolute Error,MAE) ，是指模型预测值𝑓(𝑥)和真实值𝑦之间距离的平均值，其公式如下：
$MAE=\frac{\sum_{i=1}^{n}\left|f(x_i)-y_i\right|}{n}$
𝐿1对𝑥的导数为常数，在训练的后期，预测值与ground truth差异很小时，𝐿1的导数的绝对值仍然为1，而 learning rate 如果不变，损失函数将在稳定值附近波动，难以继续收敛以达到更高精度。

tips：

平均绝对误差MAE
在0处不可导
对离群点不敏感
梯度稳定，不会导致梯度爆炸（对很小的损失值，梯度也很大）

L2 Loss

L2 Loss即为均方误差（Mean Square Error,MSE），是模型预测值𝑓(𝑥)与真实样本值𝑦之间差值平方的平均值，其公式如下
$MSE=\frac{\sum_{i=1}^{n}(f(x_i)-y_i)^2}{n}$
其中， $y_i$ 和 $f(x_i)$ 分别表示第𝑖个样本的真实值及其对应的预测值，𝑛为样本的个数。

MSE的函数曲线光滑、连续，处处可导，便于使用梯度下降算法，是一种常用的损失函数。而且，随着误差的减小，梯度也在减小，这有利于收敛，即使使用固定的学习速率，也能较快的收敛到最小值。

当𝑦和𝑓(𝑥)也就是真实值和预测值的差值大于1时，会放大误差；而当差值小于1时，则会缩小误差，这是平方运算决定的。MSE对于较大的误差（>1）给予较大的惩罚，较小的误差（<1）给予较小的惩罚。也就是说，对离群点比较敏感，受其影响较大。

tips：

函数曲线连续，处处可导
随着误差减小，梯度也减小，有利于快速收敛
常用于解决回归问题

MSE和MAE的选择

从梯度的求解以及收敛上，MSE是优于MAE的。MSE处处可导，而且梯度值也是动态变化的，能够快速的收敛；而MAE在0点处不可导，且其梯度保持不变。对于很小的损失值其梯度也很大，在深度学习中，就需要使用变化的学习率，在损失值很小时降低学习率。

对离群（异常）值得处理上，MAE要明显好于MSE。

如果离群点（异常值）需要被检测出来，则可以选择MSE作为损失函数；如果离群点只是当做受损的数据处理，则可以选择MAE作为损失函数。

总之，MAE作为损失函数更稳定，并且对离群值不敏感，但是其导数不连续，求解效率低。另外，在深度学习中，收敛较慢。MSE导数求解速度高，但是其对离群值敏感，不过可以将离群值的导数设为0（导数值大于某个阈值）来避免这种情况。

在某些情况下，上述两种损失函数都不能满足需求。例如，若数据中90%的样本对应的目标值为150，剩下10%在0到30之间。那么使用MAE作为损失函数的模型可能会忽视10%的异常点，而对所有样本的预测值都为150。这是因为模型会按中位数来预测。而使用MSE的模型则会给出很多介于0到30的预测值，因为模型会向异常点偏移。

这种情况下，MSE和MAE都是不可取的，简单的办法是对目标变量进行变换，或者使用别的损失函数，例如：Huber,Log-Cosh以及分位数损失等。

Smooth L1 Loss

在Faster R-CNN以及SSD中对边框的回归使用的损失函数都是Smooth L1 作为损失函数，
$Smooth\;L_1=\begin{cases} 0.5(f(x)-Y)^2 & \text{ if } \left|f(x)-Y\right|<1 \\ \left|f(x)-Y\right|-0.5 & \text{ otherwise } \end{cases}$
Smooth L1 能从两个方面限制梯度：

当预测框与 ground truth 差别过大时，梯度值不至于过大；
当预测框与 ground truth 差别很小时，梯度值足够小。

Smooth L1 实际上就是一个分段函数，在[-1,1]之间实际上就是L2损失，这样解决了L1的不光滑问题，在[-1,1]区间外，实际上就是L1损失，这样就解决了离群点梯度爆炸的问题。

Smooth L1 实现 (PyTorch)

def _smooth_l1_loss(input, target, reduction='none'):# type: (Tensor, Tensor) -> Tensort = torch.abs(input - target)ret = torch.where(t < 1, 0.5 * t ** 2, t - 0.5)if reduction != 'none':ret = torch.mean(ret) if reduction == 'mean' else torch.sum(ret)return ret

也可以添加个参数beta 这样就可以控制，什么范围的误差使用MSE，什么范围内的误差使用MAE了。

def smooth_l1_loss(input, target, beta=1. / 9, reduction = 'none'):"""very similar to the smooth_l1_loss from pytorch, but withthe extra beta parameter"""n = torch.abs(input - target)cond = n < betaret = torch.where(cond, 0.5 * n ** 2 / beta, n - 0.5 * beta)if reduction != 'none':ret = torch.mean(ret) if reduction == 'mean' else torch.sum(ret)return ret

小结

对于大多数CNN网络，我们一般是使用L2-loss而不是L1-loss，因为L2-loss的收敛速度要比L1-loss要快得多。

对于边框预测回归问题，通常也可以选择平方损失函数（L2损失），但L2范数的缺点是当存在离群点（outliers)的时候，这些点会占loss的主要组成部分。比如说真实值为1，预测10次，有一次预测值为1000，其余次的预测值为1左右，显然loss值主要由1000决定。所以FastRCNN采用稍微缓和一点绝对损失函数（smooth L1损失），它是随着误差线性增长，而不是平方增长。

Smooth L1 和 L1 Loss 函数的区别在于，L1 Loss 在0点处导数不唯一，可能影响收敛。Smooth L1的解决办法是在 0 点附近使用平方函数使得它更加平滑。

Smooth L1的优点