针对不同任务如何选择损失函数?

1. 分类属性（如颜色、类型、方向）

• 交叉熵损失（Cross-Entropy Loss）：标准分类损失，适用于类别平衡的数据                                                                                                     

•  Focal Loss 通过在交叉熵的基础上加了一个因子来解决类别不平衡问题

2. 回归属性（如长度、曲率、角度）

• L1 Loss（MAE）对异常值鲁棒，输出更稳定。

• L2 Loss（MSE）光滑、在 0 附近更平滑，适合梯度下降优化。

• Smooth L1 Loss 结合L1和L2的优点，避免梯度爆炸。

3. 多任务联合训练

• (1) 加权多损失融合

                                给 每个任务的 loss 函数输出 乘一个人工设定的常数权重。

• (2) 自适应权重（如Uncertainty Weighting）

                                给 每个任务的 loss 函数输出 乘一个 可学习的动态权重。