# 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。

- Skill: `ecnu-icalk/pytorch-ssim-l1-l2` (Agent Skill)
- Install (CLI): `npx skillmds@latest add ecnu-icalk/pytorch-ssim-l1-l2`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ecnu-icalk/pytorch-ssim-l1-l2/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: ECNU-ICALK (https://skillmd.com/u/ecnu-icalk)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ecnu-icalk/pytorch-ssim-l1-l2

---


# 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。

## 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
1. **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。
2. **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`。
3. **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