损失函数及一般型（及梯度）

PL_涵

已于 2022-11-03 10:23:44 修改

阅读量916

点赞数 1

分类专栏：【入门学习ML】

于 2022-07-10 11:06:23 首次发布

本文链接：https://blog.csdn.net/PL_hfc/article/details/125702317

版权

【入门学习ML】专栏收录该内容

15 篇文章 1 订阅

订阅专栏

首先，回顾高数中对于梯度的定义

梯度是一个向量，表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）

设二元函数 $\large z=f(x,y)$ 在平面区域 $\large D$ 上具有一阶连续偏导数，则对于每一个点 $\large P(x,y)$ 都可定出一个向量 $\large \left \{ \frac{\partial f}{\partial x},\frac{\partial f}{\partial y}\right \}=f_{x}(x,y)\vec{i}+f_{y}(x,y)\vec{j}$ 该函数就称为函数 $\large z=f(x,y)$ 在点 $\large P(x,y)$ 的梯度，记作 $\large gradf(x,y)$ 或 $\large \triangledown f(x,y)$

即有：

$\large gradf(x,y)=\triangledown f(x,y)=\left \{ \frac{\partial f}{\partial x},\frac{\partial f}{\partial y}\right \}=f_{x}(x,y)\vec{i}+f_{y}(x,y)\vec{j}$

其中 $\large \triangledown =\frac{\partial }{\partial x}\vec{i}+\frac{\partial }{\partial y}\vec{j}$ 称为（二维的）向量微分算子或Nabla算子

所以 $\large \triangledown f=\frac{\partial f}{\partial x}\vec{i}+\frac{\partial f}{\partial y}\vec{j}$

设 $\large e=\left \{ cos\alpha ,cos\beta \right \}$ 是方向 $\large l$ 上的单位向量

则可得其方向导数为： $\large \frac{\partial f}{\partial x}=\frac{\partial f}{\partial x}cos\alpha +\frac{\partial f}{\partial y}cos\beta$

$\large =\left \{ \frac{\partial f}{\partial x},\frac{\partial f}{\partial y} \right \}\left \{ cos\alpha ,cos\beta \right \}$

$\large =gradf(x,y)\cdot e$

可以发现方向导数的大小，即梯度与方向向量的点乘

$\large =\left | gradf(x,y) \right |\cdot \left | e \right |\cdot cos\left [ gradf(x,y),e \right ]$

所以当方向 $\large l$ 与梯度方向一致时，有

余弦值 $\large cos\left [ gradf(x,y),e \right ]=1$ ，此时方向导数 $\large \frac{\partial f}{\partial l}$ 取得最大值

且最大值就为梯度的模，即

$\large \left | gradf(x,y) \right |=\sqrt{\left ( \frac{\partial f}{\partial x} \right )^{2}+\left ( \frac{\partial f}{\partial y} \right )^{2}}$

因此，函数在一点沿梯度方向的变化率是最大的，且最大值为在该点处梯度的模

损失函数用来衡量预测值和真实值之间的区别，也就是衡量模型的好坏

损失函数越小，表示模型的鲁棒性越好

损失函数的作用：计算神经网络每次迭代的前向计算结果（预测值）与真实值的差距，从而指导下一步的训练向正确的方向进行

损失函数的具体步骤：

1.用随机值初始化前向计算公式的参数；

2.代入样本，计算输出的预测值；

3.用损失函数计算预测值和标签值（真实值）的误差；

4.根据损失函数的导数，沿梯度最小方向将误差回传，修正前向计算公式中的各个权重值；

5.goto 2，直到损失函数值达到一个满意的值就停止迭代

几种简单的损失函数：

绝对值损失（L1 Loss）

其公式为： $\large l(y,{y}')=\left | y-{y}' \right |$

其中 $\large y$ 为真实值， $\large y{}'$ 为预测值

可以发现该函数在零点处不可导

均方损失（L2 Loss）

其公式为： $\large l(y,y{}')=\frac{1}{2}(y-y{}')^{2}$

除以 $\large \frac{1}{2}$ 是求导后系数部分为 1

鲁棒损失（Huber’s Robust Loss）

其公式为： $\large l(y,{y}')=\left\{\begin{matrix} \left | y-{y}' \right |-\frac{1}{2} & if\left | y-{y}' \right |>1\\ \frac{1}{2}(y-{y}')^{2}& otherwise \end{matrix}\right.$