L1loss和MSEloss

L1 Loss和MSE Loss都是常见的回归损失函数，用于衡量模型预测值与真实值之间的差距。

L1 Loss（也称为平均绝对误差）是每个样本预测值与真实值之间绝对值的平均数，公式如下：
$$ L_{1}=\frac{1}{n} \sum_{i=1}^{n}\left|y_{i}-\hat{y_{i}}\right| $$

其中，$y_i$表示第$i$个样本的真实值，$\hat{y_i}$表示第$i$个样本的预测值，$n$表示样本数量。

MSE Loss（也称为均方误差）是每个样本预测值与真实值之间差值的平方的平均数，公式如下：
$$ L_{2}=\frac{1}{n} \sum_{i=1}^{n}\left(y_{i}-\hat{y_{i}}\right)^{2} $$

与L1 Loss相比，MSE Loss更加关注大误差的影响，因为平方的效果会更加显著。而L1 Loss则更加关注小误差的影响，因为绝对值函数在误差较小时的导数较大。在某些情况下，L1 Loss更容易得到稀疏解，即更多的预测值为0。

选择哪种损失函数取决于具体的问题和需求。