1.1.3 定義損失函數

1.1.3定義損失函數

完成了網路定義后，我們可以針對指定的輸入x獲得對應的預測值y，我們自然希望預測值y與真實值y_之間的差距越小越好，理想的情況就是在數據集上預測值y和真實值y_總是完全一樣。但是事實上這幾乎是無法做到的，我們需要定義預測值和真實值之間的差距，也就是理想和現實之間的差距。可以認為深度學習訓練的過程，就是不斷追求損失函數最小化的過程。以Keras為例，常見的損失函數有以下幾種：

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

其中二分類問題經常使用的是binary_crossentropy，多分類問題經常使用的是categorical_crossentropy，回歸問題使用mse和mae。