以下是常見的 LossFunction：
1. Mean Squared Error (MSE)：預測值和實際值之間的平均平方差。
2. Binary Crossentropy (BCE)：適用於二元分類，預測值和實際值之間的交叉熵。
3. Categorical Crossentropy (CCE)：適用於多元分類，預測值和實際值之間的交叉熵。
4. Hinge Loss：適用於支持向量機 (SVM)。
5. Kullback-Leibler Divergence (KL Divergence)：預測值和實際值之間的相對熵，用於評估兩個概率分佈之間的相似性。
6. Huber Loss：比 MSE 更加魯棒，對於離群值的影響更小。
7. MAE Loss：平均絕對誤差。
8. Poisson Loss：適用於計數型預測問題，如預測一天中某個時間內的訪問量。
9. Cosine Proximity：計算預測向量和實際向量之間的餘弦距離。
不同的 LossFunction 適用於不同的機器學習任務，選擇合適的損失函數可以提高模型的性能。