损失函数

损失函数（loss）

loss函数的作用就是描述模型的预测值与真实值之间的差距大小。我的理解是寻找一个标准来帮助训练机制随时优化参数，以便于找到网络的最高精度下的参数。这个标准不难理解，与我们日常生活中的很多事情一致，例如倒车入库，在你倒车的同时肯定会一边打方向盘一边看倒后镜一样（当然具备自动倒车入库功能的车除外），根据倒后镜中看到的停车线，随时调整以便能够准确入库，这个停车线就是标准。更通俗的来说，loss函数就是指导模型在训练过程中朝着收敛的方向前进。

二、常见的loss算法种类

1.MSE(均值平方差)
数理统计中演化而来，均方误差是指参数估计值和参数真实值之差平方的期望值。在此处其主要是对每个预测值与真实值作差求平方的平均值，具体公式如下所示：

                                                                    MSE = \frac{1}{n}\sum_{i=1}^{n}{(Y-Y_{pred})^2}

MSE越小代表模型越好，类似的算法还包括RMSE和MAD。

2.交叉熵
交叉熵(crossentropy)刻画了两个概率分布之间的距离，更适合用在分类问题上，因为交叉熵表达预测输入样本属于某一类的概率。其公式如下所示：

                                                                C = \frac{1}{n}\sum_{i=1}^{n}{[Yln(Y_{pred})+(1-Y)ln(1-Y_{pred})]}

与MSE一样，交叉熵也是值越小代表模型精度越高。

代码实现：

import tensorflow as tf
import numpy as np

SEED = 23455

rdm = np