不同的损失函数可以用于不同的目标。 本文介绍几个例子中非常常用的损失函数。 本文中提到的一些参数属于tensorflow或keras实现的细节。
损失函数的简要介绍
损失函数有助于优化神经网络的参数。 我们的目标是通过优化神经网络的参数(权重)将神经网络的损失降到最小。 用神经网络将目标(实际)值和预测值匹配，经过损失函数可以计算出损失。 然后，采用梯度下降法优化网络权重，使损失最小化。 这就是我们训练神经网络的方法。
均方根误差
mldxtg执行回归任务时，可以选择此损失函数。 kkdhy，这个损失是通过计算实际(目标)值和预测值之间的平方误差的平均值来计算的。
例如，有一个神经网络，可以获取房屋的相关数据并预测价格。 在这种情况下，可以使用MSE (均方根误差)损失。 基本上，如果输出是实数，则使用此损耗函数。
二元交叉熵
如果mldxtg执行二元分类任务，则可以选择此损失函数。 使用二元交叉熵(BCE )损失函数，可以在一个输出节点中将数据分为两类。 必须使用sigmoid激活函数，以便输出值在[0-1]的范围内。
例如，有获取大气相关数据，预测是否会下雨的神经网络。 如果输出大于0.5，网络将其分类为下雨； 输出小于0.5时，网络分类为不下雨。 也就是说，概率得分值越大，下雨的机会越大。
在训练网络时，如果标签下雨，输入网络的目标值必须是1，否则为0。
重要的是，在使用BCE损耗函数时，节点的输出介于(0-1)之间。 这意味着最终输出必须使用sigmoid激活函数。 因为sigmoid函数可以将任意实数值转换为(01 )的范围。 (即输出概率值)
如果不想显示在最后一个层中使用sigmoid激活函数，可以通过将from logits设置为true作为损耗函数的参数，在内部调用sigmoid函数以将其应用于输出值。
多分类交叉熵
如果mldxtg执行多种分类任务，则可以选择此损失函数。 在使用多分类交叉熵(CCE )损耗函数的情况下，输出节点的数量必须与这些类相同。 最后一层的输出必须使用softmax激活函数，以便每个节点输出[0-1]之间的概率值。
例如，有读取图像并分类为猫和狗的神经网络。 如果猫节点高概率得分，则将图像分类为猫，否则分类为狗。 基本上，如果某个类别节点以最高概率获得分数，则所有图像都会被分类到该类别中。
为了在训练时提供目标值，需要进行一次热编码。 如果图像是猫，则目标向量为1，0；如果图像是狗，则目标向量为0，1。 基本上，目标向量的大小与类的数量相同，与实际类相对应的索引位置为1，其他位置均为零。
如果不想在最后一个级别显示softmax激活函数的使用，请将from logits设置为true，以便在内部调用softmax函数并将其应用于输出值。 和上述情况一样。
稀疏分类交叉熵
该损失函数与多分类交叉熵基本相同，但有很小的变化。
使用稀疏多分类交叉熵(SCCE )损失函数时，不需要one-hot形式的目标向量。 例如，如果对象图像是猫，则只需要传递0，否则只需要传递1。 基本上，任何类都只需要传递该类的索引。
这些是最重要的损失函数。 训练神经网络时，可能会使用这些损失函数之一。
以下链接是Keras中所有可用丢失函数的源代码。
653https://Github.com/Keras-Team/Keras/Blob/c 658993 CF 596 FBD 39CF 800873 BC 457 E69 CFB0CDB/Keras /后端/Numpy _ Back