深度学习应用开发 课件 cha4 5-认识损失函数_第1页
深度学习应用开发 课件 cha4 5-认识损失函数_第2页
深度学习应用开发 课件 cha4 5-认识损失函数_第3页
深度学习应用开发 课件 cha4 5-认识损失函数_第4页
深度学习应用开发 课件 cha4 5-认识损失函数_第5页
已阅读5页,还剩9页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

目录1损失函数的概念01任务02任务回归任务损失03任务分类任务损失1损失函数的概念1损失函数的概念1、机器学习模型关于单个样本的预测值与真实值的差称为损失。损失越小,模型越好,如果预测值与真实值相等,表示没有损失;

2、用于计算损失的函数称为损失函数,模型预测的好坏用损失函数来度量。1损失函数的概念损失函数越小,一般就代表模型的鲁棒性(Robust)越好,正是损失函数指导了模型的学习。机器学习的任务本质上分为两大类:分类问题与回归问题2分类任务损失2分类任务损失分类任务损失有以下几种:1、0-1loss0-1loss是最原始的loss,它直接比较输出值与输入值是否相等,数学公式:2、交叉熵loss交叉熵损失在分类问题中是最常见的损失函数,随着预测概率偏离实际标签,交叉熵损失会逐渐增加,数学公式:交叉熵损失会加重惩罚置信度高但错误的预测值。2分类任务损失3、Hingeloss

数学定义如下:Hingeloss常用于最大间隔分类,主要用于支持向量机中。3回归任务损失3回归任务损失回归任务损失有以下几种:1、L1lossL1损失,也称平均绝对误差(MAE),简单说就是计算输出值与真实值之间误差的绝对值大小,定义如下:由于L1loss在零点不平滑,所以用的比较少。3回归任务损失2、L2lossL2损失,也称均方误差(MeanSquareError,MSE)是模型预测值f(x)与真实样本值y之间差值平方的平均值,其公式如下:3回归任务损失3、SmoothL1Loss在FasterR-CNN和SSD中对边框的回归使用的损失函数都是SmoothL1作为损失函数,定义如下:其中,x为真实值和预测值的差值。Smooth

L1能从两个方面限制梯度:当预测框与groundtruth差别过大时,梯度值不至于过大;当预测框与groundtruth差别很小时,梯度值足够小。3回归任务损失L1

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论