针对不同的目标使用不同的损失函式。在本文中，我将通过一组示例向您介绍一些常用的损失函式。本文是使用Keras和Tensorflow框架的设计。
损失函式：简介
损失函式有助于优化神经网络的引数。我们的目标是通过优化神经网络的引数（权重）使其损失最小化。损失由损失函式计算。每个神经网络都给出了一些输出，我们通过将此输出与实际输出（目标值）相匹配来计算损失。然后使用梯度下降法来优化网络的权重，使这种损失最小化。这就是我们训练神经网络的方法。
均方误差（Mean Squared Error）
顾名思义，这种损失是通过计算实际（目标）值和预测值之间的平方差的平均值来计算的。
例如，有一个神经网络，它使用一些与房子相关的引数并预测它的价格。在这种情况下，您可以使用MSE损失。基本上，在输出是实数的情况下，应该使用这个损失函式。
均方误差
二元交叉熵（Binary Cross entropy）
当有一个二元分类任务时，如果使用BCEloss函式，则只需要一个输出节点将资料分类为两个类。输出值通过sigmoid启用函式，以便输出在（0-1）之间的范围内。
例如，有一个神经网络，它采用与大气相关的引数，并输出预测是否下雨。如果输出大于0.5，则网络将其分类为rain，如果输出小于0.5，则网络将其分类为not rain。（它可能是相反的，这取决于你如何训练网络）。概率得分值越多，下雨的概率就越大。
二元交叉熵
在训练网络时，如果下雨，则输入网络的目标值应为1，否则为0。
重要的是，如果使用BCE损失函式，节点的输出应在（0-1）之间。这意味着你必须在最终输出上使用sigmoid启用函式。因为sigmoid转换范围在（0-1）之间的任何实际值。
如果你不在最后一层使用sigmoid启用怎么办？然后，可以将一个名为from logitsas 的引数true传递给loss函式，它将在内部将sigmoid应用于输出值。
分类交叉熵（Categorical Cross entropy）
当有一个多类分类任务时，如果使用CCEloss函式，则输出节点的数量必须与类的数量相同。最后一层输出应通过softmax启用，以便每个节点输出范围在（0-1）之间的概率值。
例如，有一个神经网络，它识别影象并将其分类为猫或狗。如果猫节点具有高概率得分，则影象被分类为猫，否则为狗。基本上，无论哪个类节点的概率得分最高，影象将被分类到该类。
分类交叉熵
为了在训练时提供目标值，您必须对它们进行独热编码。如果影象是猫，则目标向量将是（1,0），如果影象是狗，则目标向量将是（0,1）。基本上，目标向量将相同大小的类的数量和索引位置对应于实际的类是1而所有其他的将为零。
如果在最后一层没有使用softmax启用怎么办？可以将一个名为from logitsas 的引数true传递给loss函式，它将在内部将softmax应用于输出值。与上述情况相同。
稀疏分类交叉熵（Sparse Categorical Cross entropy）
除了一个变化外，这个损失函式几乎与CCE相似。
当使用SCCE损失函式时，不需要对目标向量进行独热编码。如果目标影象是猫，则只需传递0，否则为1。基本上，无论哪个类，只需传递该类的索引。
稀疏分类交叉熵
这些是最基本的损失函式。并且在训练神经网络时，您可能会使用其中一种损失函式。
