在PyTorch中，常用的损失函数如下：

1. 交叉熵损失函数（CrossEntropyLoss）：适用于多分类问题，计算模型输出的概率分布与真实标签的交叉熵损失。

2. 均方误差损失函数（MSELoss）：适用于回归问题，计算模型输出与真实标签的均方误差。

3. KL散度损失函数（KLDivLoss）：用于衡量两个概率分布之间的差异，可以用于训练变分自编码器（VAE）。

4. 二分类交叉熵损失函数（BCELoss）：适用于二分类问题，计算模型输出的概率与真实标签之间的交叉熵损失。

5. 二分类带权重交叉熵损失函数（BCEWithLogitsLoss）：适用于二分类问题，计算模型输出的概率与真实标签之间的加权交叉熵损失。

6. 泊松损失函数（PoissonNLLLoss）：适用于计数型的数据，计算模型输出与真实标签之间的泊松分布的负对数似然损失。

7. Hinge损失函数（HingeEmbeddingLoss）：适用于分类任务，通过设置阈值来实现分类。

8. 多标签二分类损失函数（MultiLabelMarginLoss）：适用于多标签分类问题，计算模型输出与真实标签之间的边际损失。

9. 平滑L1损失函数（SmoothL1Loss）：适用于回归问题，比均方误差对离群点更加稳健。

以上是一些常用的PyTorch损失函数，但并不是全部。选择合适的损失函数需要根据所面对的具体问题和数据集的情况来决定。