1.Softmax + Cross Entropy Loss（交叉熵）（加入交叉熵的原因是考虑到数值的稳定性）
损失函数：
适应场景：单标签分类问题
该损失函数各个标签之间不独立
2.Sigmoid Cross Entropy Loss
损失函数：
L维多标签场景的损失函数为：
使用场景：预测目标概率分布，可用于多标签学习（如社会年龄估计）
注意：1.目标输出需要归一化到【0,1】；损失层的输出要有具体的意义；各个标签之间相互独立即每一维是独立的。
3.Euclidean Loss（欧氏损失）
损失函数：
适用场景：实数值回归问题
注意：欧氏损失前可以增加Sigmoid操作进行归一化，相应的输出标签也归一化。
4.Contrastive Loss（Siamess Net）
损失函数：
适用场景：人脸测度学习
5.Center loss（softMax的一种改进）
6.Triplet Loss
适用场景：learning to rank ；人脸识别（FaceNet）
7.Moon Loss
Basic Idea：考虑多标签分类中训练和测试阶段样本分布的不平衡
对每个属性计算概率：
混合损失函数：
8.Focal Loss
Basic Idea：用一个权重条件函数去降低易分样本对损失的贡献
解决方案：
适用场景：解决one-stage的目标检测中背景样本和前景样本的不平衡问题
9.Large-Margin Loss（softmax的改进）
Basic Idea：在SoftMax Loss中通过约束权重矩阵的夹角引入Margin正则