Caffe中的各种loss函数适合哪些问题？

补充下关于softmaxloss和sigmoidcrossentropyloss的区别。
Softmaxloss是caffe里面的说法，softmaxloss实际上是SoftmaxLayer + MultinomialLogisticLossLayer。SoftmaxLoss适合于最经典的分类任务，类别标签中只有1个1，其余全部是零，比如人脸识别，物体分类任务。
但是，对于属性分类任务，类别标签里面有不止1个1，这个时候softmaxloss就不适用了，需要用到SigmoidCrossEntropyLoss。同样的，SigmoidCrossEntropyLoss也是两个层的混合，至于哪两个层，留作小测试。SigmoidCrossEntropyLoss也可以直接回归概率分布（标签的每一维具有概率解释，取值范围是【0,1】），比如在年龄估计当中，我们可以把年龄建用LDL（label distribution label)进行概率建模，然后用SigmoidCrossEntropyLoss进行回归【1】。在文献【1】中，我们还给出了使用EuclideanLoss的一个trick，欢迎大家看文章自己发现。
 
【1】Xin Liu, Shaoxin Li, Meina Kan, Jie Zhang, Shuzhe Wu, Wenxian Liu, hu Han, Shiguang Shan, Xilin Chen. AgeNet: Deeply Learned Regressor and Classifier for Robust Apparent Age Estimation. ChaLearn Looking at People Workshop on ICCV 2015. (2nd Winner of Apparent Age Estimation).
 
留两个问题：
1. SigmoidCrossEntropyLoss是哪两个层的合称?
 
2. 为什么 SigmoidCrossEntropyLoss的ground truth标签取值范围必须是【0,1】？
 

简单来说：

1. 欧式距离损失函数：一般适用于回归问题，特别是回归的值是实数的时候。
2. 对比损失函数：用来训练siamese网络时候。
3. Hinge loss：在一对多的分类中应用，类似于SVM。
4. 多项式逻辑损失函数：一般在一对多的分类任务中应用，直接把预测的概率分布作为输入。
5. sigmoid交叉熵损失函数：预测目标概率分布。
6. softmax+损失函数：在一对多分类中的应用。

 

这个是根据你的任务而定的。例如，回归问题，可以用EuclideanLoss；如果是分类问题，可以采用SoftmaxLoss。

最后的交叉熵loss下降到多少呀