在應用python進行神經網路訓練時，我們需要提供神經網路。如keras中，
定義：在深度學習中。損失函式是用來衡量一組引數好壞的函式，其衡量方式是比較網路輸出和真實輸出的差異。
損失函式有很多別名：價值函式，目標函式，誤差函式
損失函式並不使用測試資料來衡量網路的效能，損失函式用來指導訓練過程，使得網路的引數向損失降低的方向改變。
訓練過程：
人工智慧的本質：最優化 （神經網路優化演算法python手寫實現）
損失函式特性
最小值，當網路的輸出值和真實值一致時，損失為0，真實輸出和網路輸出越不一致時值越大。
損失函式要求是凸函式，容易可導。需要根據輸出的變化而平滑的變化，如果不容易求導會導致訓練過程緩慢。
損失函式的前提：
不同的任務型別需要不同的損失函式
回歸型：絕對值誤差，平方誤差
分型別：hinge loss ,cross-entropy loss
絕對值誤差
outliers:異常值
平方誤差
對異常值敏感原因：x偏移一點點，平方後會更大
softmax公式如下
獨熱編碼
yk為真實輸出，lk為網路輸出，s(lk）表示對網路輸出進行softmax,
k表示k個類別
為什麼分類不用均方誤差做損失函式
二分類
二分類可以不用softmax，使用sigmoid,也不用one-hot
二分類損失函式和多分類損失函式對比，其中σ為sigmoid函式
正則化可以和損失函式結合起來，防止過擬合
圖中l為損失函式
神經網路損失函式
2018,aug 3 顧名思義，從標題就能知道損失函式 loss function 一定就是來計算神經網路在訓練中的損失的。說完了定義那到了舉例時間了 主要拿softmax loss來分析 這裡的k也就是我們分類的類別。然後這個函式是怎麼用的呢，我們可以簡單的舉乙個分類的例子來看下。假設我們輸入一張...
神經網路 損失函式
開始之前我們先進入數字識別這樣乙個場景 以識別數字1為例，神經網路模型的輸出結果越接近 0,1,0,0,0,0,0,0,0,0 越好。神經網路解決多分類的問題，最常見的方法是設定n個輸出節點，其中n類別個數，那麼上述數字判斷就應該有n 10個輸出。那麼如何判斷乙個輸出向量和期望向量的接近程度呢？交叉...
神經網路 損失函式
先上結論 在使用sigmoid作為啟用函式的時候，cross entropy相比於quadratic cost function，具有收斂速度快，更容易獲得全域性最優的特點 使用softmax作為啟用函式，log likelihood作為損失函式，不存在收斂慢的缺點。對於損失函式的收斂特性，我們期望...