深度学习的损失函数怎么选？
先看任务类型，再看标签长什么样，别在分类任务上死磕MSE。
损失函数干一件事：告诉模型“这次错在哪、错多少”。选错了，模型会认真地朝错误方向学。最典型的翻车是：多分类用了MSE，检测只盯box_loss不管cls_loss，分割用交叉熵却不处理类别极不平衡。loss降了，指标不动，多半是目标函数就设歪了。
怎么选？按任务对号入座。
分类：默认交叉熵，类别不平衡再换。 二分类用BCE，多分类用CrossEntropy。标签是one-hot或类别编号，输出是各类概率，这两口对得上。别用MSE去拟合类别编号——模型会把“猫”和“狗”当成两个邻近的数，距离没有语义。类别差一个数量级以上，先试加权交叉熵或Focal Loss，让模型多盯少数类。准确率虚高、少数类全漏，优先查损失，别先改网络。
回归：先MSE，有离群点再换。 预测分数、角度、温度这类连续值，MSE最省事。数据里有明显脏点（标成999、漏标成0），MSE会被极值拽歪，换成MAE或Huber更稳。归一化没做就上MSE，loss数字会大得吓人，不代表模型没学，先把目标缩到合理量级。
检测：不是选一个loss，是一组loss在打架。 YOLO这类模型至少有分类损失、框回归损失，新版本还有DFL。你要选的不是“用哪个神奇公式”，而是这几项的权重别乱拧。默认配方先跑通，某一项长期不降，再针对那一项查数据：cls不降看类别和标注；box不降看框是不是标飘了、小目标是不是太多。自己换CIoU、SIoU当创新点可以，但先保证和baseline同一套数据、同一套权重，否则表格没法看。
分割：像素级交叉熵能起步，前景太少必须加Dice/IoU。 病斑、裂缝、车道线往往只占几个百分点的像素，纯交叉熵会让模型学会“全预测成背景”。Dice或IoU损失盯的是重叠区域，和这类任务更贴。实操上常见组合是CE + Dice，比单换一个花哨名字更稳。
三个原则，比背公式有用。
原则一：损失必须和输出头匹配。 最后一层是Softmax，后面接CrossEntropy；是Sigmoid，后面接BCE。激活和损失绑错一对，梯度会很安静，看起来像没在学。
原则二：看验证指标，不看训练loss绝对值。 换了损失函数，量纲就变了，0.3和1.2没法横比。该比的是验证集上的acc、mAP、Dice。loss只负责回答“这条更新方向对不对”。
原则三：一次只换一种损失，并写进消融。 同时换损失、换增强、换注意力，涨了也不知道是谁的功劳。论文里写“改进损失函数”，至少要有baseline损失和你的损失两行对比。
给一套能直接抄的起点：
图像分类、类别还算均衡：CrossEntropy，完事。
图像分类、长尾数据：加权CE或Focal Loss，gamma从2试起。
数值回归：MSE；脏数据多就Huber。
YOLO检测：官方默认三项损失先别动，权重保持默认。
分割、前景很小：CE + Dice，权重1:1起步。
最后提醒一句：损失函数不是创新点批发市场。换一个听起来高级的名字，指标掉0.5个点，删掉就行。任务对、标签对、默认损失能把验证曲线拉下去，这个选择就已经合格。
任务定损失，标签检验损失，指标验收损失。按这个顺序选，比在论文里抄公式靠谱。
