损失函数导数和sigmoid激活函数的导数相乘后为sigmoid(s)-y,因此反向传播时,权重的梯度受到误差的控制,当误差很大时,梯度就大,误差小的时候,梯度就小,这样就方便loss收敛;但是用l2 loss的话,偏导数就会很小,导致梯度消失的问题。
交叉熵损失函数优点
在神经网络的反向传播中,sigmoid激活函数的导数与损失函数的导数相乘,形成梯度,该梯度受误差大小影响,误差大时梯度大,利于loss收敛。然而,L2loss可能导致偏导数变小,从而引发梯度消失问题。
摘要由CSDN通过智能技术生成