深度學習應用開發(fā) 課件 cha4 5-認識損失函數_第1頁
深度學習應用開發(fā) 課件 cha4 5-認識損失函數_第2頁
深度學習應用開發(fā) 課件 cha4 5-認識損失函數_第3頁
深度學習應用開發(fā) 課件 cha4 5-認識損失函數_第4頁
深度學習應用開發(fā) 課件 cha4 5-認識損失函數_第5頁
已閱讀5頁，還剩9頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

目錄1損失函數的概念01任務02任務回歸任務損失03任務分類任務損失1損失函數的概念1損失函數的概念1、機器學習模型關于單個樣本的預測值與真實值的差稱為損失。損失越小，模型越好，如果預測值與真實值相等，表示沒有損失；

2、用于計算損失的函數稱為損失函數，模型預測的好壞用損失函數來度量。1損失函數的概念損失函數越小，一般就代表模型的魯棒性（Robust）越好，正是損失函數指導了模型的學習。機器學習的任務本質上分為兩大類：分類問題與回歸問題2分類任務損失2分類任務損失分類任務損失有以下幾種：1、0-1loss0-1loss是最原始的loss，它直接比較輸出值與輸入值是否相等，數學公式：2、交叉熵loss交叉熵損失在分類問題中是最常見的損失函數，隨著預測概率偏離實際標簽，交叉熵損失會逐漸增加，數學公式：交叉熵損失會加重懲罰置信度高但錯誤的預測值。2分類任務損失3、Hingeloss

數學定義如下：Hingeloss常用于最大間隔分類，主要用于支持向量機中。3回歸任務損失3回歸任務損失回歸任務損失有以下幾種：1、L1lossL1損失，也稱平均絕對誤差（MAE），簡單說就是計算輸出值與真實值之間誤差的絕對值大小，定義如下：由于L1loss在零點不平滑，所以用的比較少。3回歸任務損失2、L2lossL2損失，也稱均方誤差（MeanSquareError,MSE）是模型預測值f(x)與真實樣本值y之間差值平方的平均值，其公式如下：3回歸任務損失3、SmoothL1Loss在FasterR-CNN和SSD中對邊框的回歸使用的損失函數都是SmoothL1作為損失函數，定義如下：其中，x為真實值和預測值的差值。Smooth

L1能從兩個方面限制梯度：當預測框與groundtruth差別過大時，梯度值不至于過大；當預測框與groundtruth差別很小時，梯度值足夠小。3回歸任務損失L1

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論