神經網路中的各種損失函式介紹

不同的損失函式可用於不同的目標。在這篇文章中，我將帶你通過一些示例介紹一些非常常用的損失函式。這篇文章提到的一些引數細節都屬於tensorflow或者keras的實現細節。

損失函式有助於優化神經網路的引數。我們的目標是通過優化神經網路的引數(權重)來最大程度地減少神經網路的損失。通過神經網路將目標(實際)值與**值進行匹配，再經過損失函式就可以計算出損失。然後，我們使用梯度下降法來優化網路權重，以使損失最小化。這就是我們訓練神經網路的方式。

當你執行回歸任務時，可以選擇該損失函式。顧名思義，這種損失是通過計算實際(目標)值和**值之間的平方差的平均值來計算的。

例如，你有乙個神經網路，通過該網路可以獲取一些與房屋有關的資料並**其**。在這種情況下，你可以使用mse(均方誤差)損失。基本上，在輸出為實數的情況下，應使用此損失函式。

當你執行二元分類任務時，可以選擇該損失函式。如果你使用bce(二元交叉熵)損失函式，則只需乙個輸出節點即可將資料分為兩類。輸出值應通過sigmoid啟用函式，以便輸出在(0-1)範圍內。

例如，你有乙個神經網路，該網路獲取與大氣有關的資料並**是否會下雨。如果輸出大於0.5，則網路將其分類為會下雨；如果輸出小於0.5，則網路將其分類為不會下雨。即概率得分值越大，下雨的機會越大。

訓練網路時，如果標籤是下雨，則輸入網路的目標值應為1，否則為0。

重要的一點是，如果你使用bce損失函式，則節點的輸出應介於(0-1)之間。這意味著你必須在最終輸出中使用sigmoid啟用函式。因為sigmoid函式可以把任何實數值轉換(0–1)的範圍。(也就是輸出概率值)

如果你不想在最後一層上顯示使用sigmoid啟用函式，你可以在損失函式的引數上設定from logits為true，它會在內部呼叫sigmoid函式應用到輸出值。

當你執行多類分類任務時，可以選擇該損失函式。如果使用cce(多分類交叉熵)損失函式，則輸出節點的數量必須與這些類相同。最後一層的輸出應該通過softmax啟用函式，以便每個節點輸出介於(0-1)之間的概率值。

例如，你有乙個神經網路，它讀取影象並將其分類為貓或狗。如果貓節點具有高概率得分，則將影象分類為貓，否則分類為狗。基本上，如果某個類別節點具有最高的概率得分，影象都將被分類為該類別。

為了在訓練時提供目標值，你必須對它們進行一次one-hot編碼。如果影象是貓，則目標向量將為(1，0)，如果影象是狗，則目標向量將為(0，1)。基本上，目標向量的大小將與類的數目相同，並且對應於實際類的索引位置將為1，所有其他的位置都為零。

如果你不想在最後一層上顯示使用softmax啟用函式，你可以在損失函式的引數上設定from logits為true，它會在內部呼叫softmax函式應用到輸出值。與上述情況相同。

該損失函式幾乎與多分類交叉熵相同，只是有一點小更改。

使用scce(稀疏多分類交叉熵)損失函式時，不需要one-hot形式的目標向量。例如如果目標影象是貓，則只需傳遞0，否則傳遞1。基本上，無論哪個類，你都只需傳遞該類的索引。

這些是最重要的損失函式。訓練神經網路時，可能會使用這些損失函式之一。

以下鏈結是keras中所有可用損失函式的源**。

(歡迎關注磐創部落格資源彙總站：