神经网络之损失函数

引言:损失函数 (Loss Function)是机器学习和深度学习中非常重要的一个概念。用于衡量模型的预测值与真实值之间的差异,从而指导模型优化其参数以最小化这种差异。

一、损失函数作用

  • 量化误差:损失函数是将预测值和真实值之间的差异转化为一个标量值。
  • 优化目标:通过最小化损失函数,模型可以逐步调整参数以提高预测的准确性,用来优化模型参数。
  • 评估模型性能:反映模型预测结果与目标值的匹配程度。

二、常见损失函数

1. 回归问题

损失函数 公式 特点 适用场景
均方误差(MSE) L = 1 n ∑ i = 1 n ( y i − y ^ i ) 2 L = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 L=n1∑i=1n(yi−y^i)2 放大误差,对离群点敏感 标准线性回归
平均绝对误差(MAE) L = 1 n ∑ i = 1 n ∣ y i − y ^ i ∣ L = \frac{1}{n} \sum_{i=1}^{n} \vert y_i - \hat{y}_i\vert L=n1∑i=1n∣yi−y^i∣ 抗噪强,优化不稳定 离群点多的回归
Huber Loss L = { 1 2 ( y i − y ^ i ) 2 if ∣ y i − y ^ i ∣ ≤ δ δ ∣ y i − y ^ i ∣ − 1 2 δ 2 其他 L = \begin{cases} \frac{1}{2}(y_i - \hat{y}_i)^2 & \text{if } \vert y_i - \hat{y}_i\vert \leq \delta \\ \delta \vert y_i - \hat{y}_i\vert - \frac{1}{2}\delta^2 & \text{其他} \end{cases} L={21(yi−y^i)2δ∣yi−y^i∣−21δ2if ∣yi−y^i∣≤δ其他 平衡 MAE 和 MSE 鲁棒回归任务
Log-Cosh Loss L = ∑ log ⁡ ( cosh ⁡ ( y ^ − y ) ) L = \sum \log(\cosh(\hat{y} - y)) L=∑log(cosh(y^−y)) 平滑的 MAE 对离群点略鲁棒

2. 分类问题

损失函数 公式 特点 适用场景
交叉熵损失(Binary Cross Entropy) L = − 1 n ∑ i = 1 n [ y i log ⁡ ( y ^ i ) + ( 1 − y i ) log ⁡ ( 1 − y ^ i ) ] L = -\frac{1}{n} \sum_{i=1}^{n} \left[ y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i) \right] L=−n1∑i=1n[yilog(y^i)+(1−yi)log(1−y^i)] 二分类 逻辑回归、二分类神经网络
交叉熵损失(Categorical Cross Entropy) L = − 1 n ∑ i = 1 n ∑ j = 1 k y i j log ⁡ ( y ^ i j ) L = -\frac{1}{n} \sum_{i=1}^{n} \sum_{j=1}^{k} y_{ij} \log(\hat{y}_{ij}) L=−n1∑i=1n∑j=1kyijlog(y^ij) 多分类 Softmax 输出
稀疏分类交叉熵(Sparse Categorical Cross Entropy) 使用类索引而不是 one-hot 节省内存 类别数较多
Focal Loss 添加调节因子处理样本不平衡 小样本分类 检测、医学图像分类

3. 其他问题

损失函数 应用 说明
相对熵(KL Divergence) 分布拟合 常见于 NLP / VAE
Contrastive Loss 度量学习 Siamese 网络
Triplet Loss 排序学习 图像识别、人脸匹配
CTC Loss 序列对齐 语音识别、OCR 等
Dice Loss / IoU Loss 图像分割 非常常用于医学图像

三、如何选择损失函数

任务类型 输出形式 推荐损失函数 PyTorch API
回归(无离群) 连续数值 MSE nn.MSELoss()
回归(有离群) 连续数值 MAE / Huber nn.L1Loss() / nn.HuberLoss()
二分类 概率(Sigmoid) Binary Cross Entropy nn.BCELoss() / nn.BCEWithLogitsLoss()
多分类 概率(Softmax) Cross Entropy nn.CrossEntropyLoss()
多标签分类 多个 Sigmoid 输出 nn.BCEWithLogitsLoss() 多标签分类问题
图像分割 概率图 Dice Loss / Cross Entropy 自定义 Dice Loss
NLP(语言模型) 词分布 KL Divergence / CE nn.KLDivLoss() / nn.CrossEntropyLoss()
度量学习 特征嵌入 Contrastive / Triplet 自定义损失函数

四、举个🌰

python 复制代码
import numpy as np

# 真实值和预测值
y_true = np.array([1.0, 2.0, 3.0])
y_pred = np.array([1.2, 1.8, 2.5])

# 1. 均方误差 (MSE)
mse = np.mean((y_true - y_pred) ** 2)
print(f"均方误差: {mse:.4f}")

# 2. 均绝对误差 (MAE)
mae = np.mean(np.abs(y_true - y_pred))
print(f"均绝对误差: {mae:.4f}")

# 3. Huber损失 (delta=1.0)
delta = 1.0
diff = np.abs(y_true - y_pred)
huber = np.mean(np.where(diff <= delta, 0.5 * diff ** 2, delta * diff - 0.5 * delta ** 2))
print(f"Huber损失: {huber:.4f}")

# 4. 二分类交叉熵 (假设y_true是0/1标签,y_pred是概率)
y_true_binary = np.array([0, 1, 1])
y_pred_binary = np.array([0.2, 0.8, 0.9])
cross_entropy = -np.mean(y_true_binary * np.log(y_pred_binary + 1e-10) + 
                         (1 - y_true_binary) * np.log(1 - y_pred_binary + 1e-10))
print(f"二分交叉熵: {cross_entropy:.4f}")
log 复制代码
均方误差: 0.1100
均绝对误差: 0.3000
Huber损失: 0.0550
二分交叉熵: 0.1839

五、总结

损失函数是机器学习和深度学习中不可或缺的一部分,合理选择和设计损失函数可以显著提高模型的性能。

相关推荐
liuyunshengsir9 分钟前
chromadb 安装和使用
人工智能·大模型
FIT2CLOUD飞致云15 分钟前
全面支持MCP协议,开启便捷连接之旅,MaxKB知识库问答系统v1.10.3 LTS版本发布
人工智能·开源
云水木石20 分钟前
ChatGPT-4o 在汉字显示上进步巨大
人工智能·chatgpt
Mr_LeeCZ36 分钟前
PyTorch 深度学习 || 7. Unet | Ch7.1 Unet 框架
人工智能·深度学习·机器学习
James. 常德 student39 分钟前
多GPU训练
人工智能·pytorch·深度学习
Jozky861 小时前
大语言模型在端到端智驾中的应用
人工智能·语言模型·自然语言处理
Y1nhl1 小时前
搜广推校招面经六十六
pytorch·python·深度学习·机器学习·广告算法·推荐算法·搜索算法
脑洞专家1 小时前
基于改进的点线融合和关键帧选择的视觉SLAM 方法
人工智能·机器学习·计算机视觉
丶Darling.2 小时前
深度学习与神经网络 | 邱锡鹏 | 第三章学习笔记
深度学习·神经网络·学习
明月看潮生2 小时前
青少年编程与数学 02-015 大学数学知识点 09课题、专业相关性分析
人工智能·青少年编程·数据科学·编程与数学·大学数学