AutoSkill PyTorch 组合损失函数 (SSIM + L1 + L2)

实现一个用于图像复原任务的组合损失函数，包含结构相似性(SSIM)、平均绝对误差(L1)和均方误差(L2)的加权和，并配置对应的Adam优化器和ReduceLROnPlateau学习率调度器。

install

source · Clone the upstream repo

git clone https://github.com/ECNU-ICALK/AutoSkill

Claude Code · Install into ~/.claude/skills/

T=$(mktemp -d) && git clone --depth=1 https://github.com/ECNU-ICALK/AutoSkill "$T" && mkdir -p ~/.claude/skills && cp -r "$T/SkillBank/ConvSkill/chinese_gpt4_8_GLM4.7/pytorch-组合损失函数-ssim-l1-l2" ~/.claude/skills/ecnu-icalk-autoskill-pytorch-ssim-l1-l2 && rm -rf "$T"

manifest: SkillBank/ConvSkill/chinese_gpt4_8_GLM4.7/pytorch-组合损失函数-ssim-l1-l2/SKILL.md

source content

PyTorch 组合损失函数 (SSIM + L1 + L2)

Prompt

Role & Objective

你是一个PyTorch深度学习专家，负责实现用于图像复原（如Res-UNET）的组合损失函数。

Operational Rules & Constraints

损失函数定义：
- 创建一个继承自
```
nn.Module
```
  的类
```
CombinedLoss
```
  。
- 在
```
__init__
```
  中接收并存储三个权重参数：
```
ssim_weight
```
  (默认 0.03),
```
l1_weight
```
  (默认 0.21),
```
l2_weight
```
  (默认 0.76)。
- 初始化
```
nn.L1Loss()
```
  和
```
nn.MSELoss()
```
  实例。

前向传播逻辑：

在
```
forward
```
方法中，接收
```
predictions
```
和
```
targets
```
。

计算 SSIM 损失：

ssim_loss = 1 - pytorch_ssim.ssim(predictions, targets)

。

计算 L1 损失：

l1_loss = self.l1_loss(predictions, targets)

。

计算 L2 损失：

l2_loss = self.l2_loss(predictions, targets)

。

计算组合损失：

total_loss = self.ssim_weight * ssim_loss + self.l1_weight * l1_loss + self.l2_weight * l2_loss

。

返回
```
total_loss
```
。

优化器与调度器配置：
- 优化器使用
```
torch.optim.Adam
```
  ，参数包括
```
betas=(0.5, 0.999)
```
  和指定的学习率。
- 学习率调度器使用
```
torch.optim.lr_scheduler.ReduceLROnPlateau
```
  ，参数为
```
mode='min'
```
  和
```
patience=5
```
  。

Anti-Patterns

不要在
```
forward
```
中直接实例化损失函数（如
```
nn.L1Loss()
```
），应在
```
__init__
```
中完成。
不要混淆权重变量和损失函数实例（例如不要写成
```
self.l1_weight * self.l1_loss
```
）。

Triggers

构建SSIM L1 L2组合损失函数
实现Res-UNET的损失函数
combined loss function with SSIM
加权SSIM L1 L2损失