深度学习---优化目标（损失函数---分类任务的损失函数）

        损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的性能越好。不同的模型用的损失函数一般也不一样。 

        常见的损失函数以及其优缺点如下：

1.0-1损失函数(zero-one loss)

0-1损失是指预测值和目标值不相等为1， 否则为0:

 

特点：

0-1损失函数直接对应分类判断错误的个数，但是它是一个非凸函数，不太适用.

2.  log对数损失函数

log对数损失函数的标准形式如下：

特点：

(1) log对数损失函数能非常好的表征概率分布，在很多场景尤其是多分类，如果需要知道结果属于每个类别的置信度，那它非常适合。

(2)健壮性不强，相比于hinge loss对噪声更敏感。

(3)逻辑回归的损失函数就是log对数损失函数。

3. 指数损失函数（exponential loss）

指数损失函数的标准形式如下：

特点：

(1)对离群点、噪声非常敏感。经常用在AdaBoost算法中。

 

4. Hinge 损失函数

Hinge损失函数标准形式如下：

特点：

(1)hinge损失函数表示如果被分类正确，损失为0，否则损失就为  。SVM就是使用这个损失函数。

(2)一般的  是预测值，在-1到1之间，  是目标值(-1或1)。其含义是，  的值在-1和+1之间就可以了，并不鼓励  ，即并不鼓励分类器过度自信，让某个正确分类的样本距离分割线超过1并不会有任何奖励，从而使分类器可以更专注于整体的误差。

(3) 健壮性相对较高，对异常点、噪声不敏感，但它没太好的概率解释。

5. 感知损失(perceptron loss)函数

感知损失函数的标准形式如下：

特点：

(1)是Hinge损失函数的一个变种，Hinge loss对判定边界附近的点(正确端)惩罚力度很高。而perceptron loss只要样本的判定类别正确的话，它就满意，不管其判定边界的距离。它比Hinge loss简单，因为不是max-margin boundary，所以模型的泛化能力没 hinge loss强。

 6.交叉熵损失函数 (Cross-entropy loss function)

 熵：信息量

 交叉熵损失函数的标准形式如下:

注意公式中 x 表示样本，  表示实际的标签，  表示预测的输出，  表示样本总数量。 

特点：

(1)本质上也是一种对数似然函数，可用于二分类和多分类任务中。

二分类问题中的loss函数（输入数据是softmax或者sigmoid函数的输出）：

 

多分类问题中的loss函数（输入数据是softmax或者sigmoid函数的输出）： 

 

(2)当使用sigmoid作为激活函数的时候，常用交叉熵损失函数而不用均方误差损失函数，因为它可以完美解决平方损失函数权重更新过慢的问题，具有“误差大的时候，权重更新快；误差小的时候，权重更新慢”的良好性质。

1.交叉熵函数与最大似然函数的联系和区别？

区别：交叉熵函数使用来描述模型预测值和真实值的差距大小，越大代表越不相近；似然函数的本质就是衡量在某个参数下，整体的估计和真实的情况一样的概率，越大代表越相近。

联系：交叉熵函数可以由最大似然函数在伯努利分布的条件下推导出来，或者说最小化交叉熵函数的本质就是对数似然函数的最大化。

7. 多标签分类任务损失（sigmoid Cross-entropy）

       在大多数使用sigmoid作为激活函数时，神经网络中通过使用交叉熵损失函数cross-entropy可使网络参数能够快速的从错误中学习问题，使梯度下降中权值w以及偏秩b的下降速率得以提升，即可较为快速的得出网络结果。