在Caffe框架中，常見的損失函數包括：
- Softmax損失函數：用于多分類問題，計算預測值與真實標簽之間的交叉熵損失。
- Euclidean損失函數：用于回歸問題，計算預測值與真實值之間的歐氏距離。
- Hinge損失函數：用于支持向量機（SVM）訓練，用于最大化正確分類的邊界距離。
- Sigmoid Cross-Entropy損失函數：用于二分類問題，計算預測值與真實標簽之間的交叉熵損失。
- Smooth L1損失函數：用于回歸問題，比歐式距離更平滑，減少異常值對損失函數的影響。
除了上述常見的損失函數，Caffe還支持自定義損失函數，用戶可以根據具體的任務需求自定義損失函數。
