乐文小说网

手机浏览器扫描二维码访问

1 1 3 定义损失函数（第1页）

1.1.3定义损失函数

完成了网络定义后，我们可以针对指定的输入x获得对应的预测值y，我们自然希望预测值y与真实值y_之间的差距越小越好，理想的情况就是在数据集上预测值y和真实值y_总是完全一样。

但是事实上这几乎是无法做到的，我们需要定义预测值和真实值之间的差距，也就是理想和现实之间的差距。

可以认为深度学习训练的过程，就是不断追求损失函数最小化的过程。

以keras为例，常见的损失函数有以下几种：

?mean_squared_error或mse

?mean_absolute_error或mae

?mean_absolute_percentage_error或mape

?mean_squared_logarithmic_error或msle

?squared_hinge

?hinge

?categorical_hinge

?binary_crossentropy

?logcosh

?categorical_crossentropy

?sparse_categorical_crossentrop

其中二分类问题经常使用的是binary_crossentropy，多分类问题经常使用的是categorical_crossentropy，回归问题使用mse和mae。

请关闭浏览器阅读模式后查看本章节，否则将出现无法翻页或章节内容丢失等现象。