不同的損失函數(shù)可用于不同的目標(biāo)。在這篇文章中，我將帶你通過(guò)一些示例介紹一些非常常用的損失函數(shù)。這篇文章提到的一些參數(shù)細(xì)節(jié)都屬于tensorflow或者keras的實(shí)現(xiàn)細(xì)節(jié)。

損失函數(shù)的簡(jiǎn)要介紹

損失函數(shù)有助于優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)。我們的目標(biāo)是通過(guò)優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)（權(quán)重）來(lái)最大程度地減少神經(jīng)網(wǎng)絡(luò)的損失。通過(guò)神經(jīng)網(wǎng)絡(luò)將目標(biāo)（實(shí)際）值與預(yù)測(cè)值進(jìn)行匹配，再經(jīng)過(guò)損失函數(shù)就可以計(jì)算出損失。然后，我們使用梯度下降法來(lái)優(yōu)化網(wǎng)絡(luò)權(quán)重，以使損失最小化。這就是我們訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方式。

均方誤差

當(dāng)你執(zhí)行回歸任務(wù)時(shí)，可以選擇該損失函數(shù)。顧名思義，這種損失是通過(guò)計(jì)算實(shí)際（目標(biāo)）值和預(yù)測(cè)值之間的平方差的平均值來(lái)計(jì)算的。

例如，你有一個(gè)神經(jīng)網(wǎng)絡(luò)，通過(guò)該網(wǎng)絡(luò)可以獲取一些與房屋有關(guān)的數(shù)據(jù)并預(yù)測(cè)其價(jià)格。在這種情況下，你可以使用MSE（均方誤差）損失。基本上，在輸出為實(shí)數(shù)的情況下，應(yīng)使用此損失函數(shù)。

二元交叉熵

當(dāng)你執(zhí)行二元分類任務(wù)時(shí)，可以選擇該損失函數(shù)。如果你使用BCE（二元交叉熵）損失函數(shù)，則只需一個(gè)輸出節(jié)點(diǎn)即可將數(shù)據(jù)分為兩類。輸出值應(yīng)通過(guò)sigmoid激活函數(shù)，以便輸出在（0-1）范圍內(nèi)。

例如，你有一個(gè)神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)獲取與大氣有關(guān)的數(shù)據(jù)并預(yù)測(cè)是否會(huì)下雨。如果輸出大于0.5，則網(wǎng)絡(luò)將其分類為會(huì)下雨；如果輸出小于0.5，則網(wǎng)絡(luò)將其分類為不會(huì)下雨。即概率得分值越大，下雨的機(jī)會(huì)越大。

訓(xùn)練網(wǎng)絡(luò)時(shí)，如果標(biāo)簽是下雨，則輸入網(wǎng)絡(luò)的目標(biāo)值應(yīng)為1，否則為0。

重要的一點(diǎn)是，如果你使用BCE損失函數(shù)，則節(jié)點(diǎn)的輸出應(yīng)介于（0-1）之間。這意味著你必須在最終輸出中使用sigmoid激活函數(shù)。因?yàn)閟igmoid函數(shù)可以把任何實(shí)數(shù)值轉(zhuǎn)換（0–1）的范圍。（也就是輸出概率值）

如果你不想在最后一層上顯示使用sigmoid激活函數(shù)，你可以在損失函數(shù)的參數(shù)上設(shè)置from logits為true，它會(huì)在內(nèi)部調(diào)用Sigmoid函數(shù)應(yīng)用到輸出值。

多分類交叉熵

當(dāng)你執(zhí)行多類分類任務(wù)時(shí)，可以選擇該損失函數(shù)。如果使用CCE（多分類交叉熵）損失函數(shù)，則輸出節(jié)點(diǎn)的數(shù)量必須與這些類相同。最后一層的輸出應(yīng)該通過(guò)softmax激活函數(shù)，以便每個(gè)節(jié)點(diǎn)輸出介于（0-1）之間的概率值。

例如，你有一個(gè)神經(jīng)網(wǎng)絡(luò)，它讀取圖像并將其分類為貓或狗。如果貓節(jié)點(diǎn)具有高概率得分，則將圖像分類為貓，否則分類為狗。基本上，如果某個(gè)類別節(jié)點(diǎn)具有最高的概率得分，圖像都將被分類為該類別。

為了在訓(xùn)練時(shí)提供目標(biāo)值，你必須對(duì)它們進(jìn)行一次one-hot編碼。如果圖像是貓，則目標(biāo)向量將為（1，0），如果圖像是狗，則目標(biāo)向量將為（0，1）。基本上，目標(biāo)向量的大小將與類的數(shù)目相同，并且對(duì)應(yīng)于實(shí)際類的索引位置將為1，所有其他的位置都為零。

如果你不想在最后一層上顯示使用softmax激活函數(shù)，你可以在損失函數(shù)的參數(shù)上設(shè)置from logits為true，它會(huì)在內(nèi)部調(diào)用softmax函數(shù)應(yīng)用到輸出值。與上述情況相同。

稀疏多分類交叉熵

該損失函數(shù)幾乎與多分類交叉熵相同，只是有一點(diǎn)小更改。

使用SCCE（稀疏多分類交叉熵）損失函數(shù)時(shí)，不需要one-hot形式的目標(biāo)向量。例如如果目標(biāo)圖像是貓，則只需傳遞0，否則傳遞1。基本上，無(wú)論哪個(gè)類，你都只需傳遞該類的索引。

這些是最重要的損失函數(shù)。訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，可能會(huì)使用這些損失函數(shù)之一。