模型的构造

损失函数

选择合适的损失函数来监督网络

监督网络时，需要将输入数据和对应的标签传递给网络进行训练。网络根据输入数据生成预测结果，然后将预测结果与真实标签进行比较，并计算损失函数的值。接着，网络会根据损失函数的值反向传播误差，从而更新网络中的权重和偏置。这个过程会不断迭代，直到损失函数的值收敛到一个最小值。

（损失函数值是预测值和真实值之间的差距，也就是相比较后得到的误差，目的是让这种误差达到最小，也就是预测值和真实值尽最大可能相似，因此，我们就要获得最小的损失函数值，也就是通过网络训练使损失函数的值收敛到最小）

•  交叉熵损失函数

对于期望标签为1的来讲，第一项可以进行计算，得到期望值；对于期望标签为0的来讲，第二项起作用，因为预测的是为此类的概率，而0表示这不为此类，因此1-P才为真正的预测的期望值。

参考：理解交叉熵作为损失函数在神经网络中的作用_zxucver的博客-CSDN博客