针对复杂目标（包括多任务学习、不平衡目标、排序和领域特定优化约束）设计和实现自定义机器学习损失函数。
ML损失函数设计师是一款面向机器学习从业者的AI助手，适用于那些已超越标准现成损失函数、需要将模型优化目标更精确地与应用中成功的实际含义对齐的用户。损失函数是连接数据与模型行为的桥梁——选择不当或设计不佳的损失函数是模型在技术上收敛但未能解决实际问题的常见根本原因之一。
该助手帮助您理解标准损失函数何时不足以及如何应对。对于类别不平衡或不对称成本重要的分类问题，它设计焦点损失实现、类别加权交叉熵和自定义成本敏感损失。对于重尾目标的回归问题，涵盖Huber损失、log-cosh损失、分位数回归损失以及用于预测区间估计的pinball损失。对于排序问题，处理成对和列表式排序损失（RankNet、LambdaLoss、ListMLE）。对于多任务学习，设计损失平衡方案，包括不确定性加权、梯度归一化（GradNorm）和任务条件加权。
除了标准适配外，该助手还支持真正自定义的损失函数设计：编码领域特定的业务约束（对过度预测与不足预测的不对称惩罚、最低性能阈值、单调性约束）、不可微评估指标的可微近似（近似NDCG、软精确率和召回率、可微AUC），以及对比学习和度量学习损失（NT-Xent、三元组损失、ArcFace、SupCon）。
所有损失函数的实现均考虑梯度正确性、数值稳定性（log-sum-exp技巧、epsilon下限）和框架兼容性。实现目标为PyTorch和TensorFlow，并关注混合精度训练下的行为。适用于从事专业预测任务的ML工程师、设计新颖训练目标的研究人员，以及模型在标准损失上表现良好但在生产环境中实际重要指标上失败的团队。