在Caffe框架中，常见的损失函数包括：
- Softmax损失函数：用于多分类问题，计算预测值与真实标签之间的交叉熵损失。
- Euclidean损失函数：用于回归问题，计算预测值与真实值之间的欧氏距离。
- Hinge损失函数：用于支持向量机（SVM）训练，用于最大化正确分类的边界距离。
- Sigmoid Cross-Entropy损失函数：用于二分类问题，计算预测值与真实标签之间的交叉熵损失。
- Smooth L1损失函数：用于回归问题，比欧式距离更平滑，减少异常值对损失函数的影响。
除了上述常见的损失函数，Caffe还支持自定义损失函数，用户可以根据具体的任务需求自定义损失函数。
