模型损失函数设计

二元交叉熵损失函数和均方误差损失函数

import numpy as np

def binary_cross_entropy_loss(predictions, labels):
    """
    计算二元交叉熵损失函数。

    参数：
    - predictions：模型的预测值，可以是概率值。
    - labels：真实标签，通常为0或1。

    返回值：
    - loss：计算得到的损失值。
    """
    epsilon = 1e-15  # 添加一个极小值，避免log(0)的情况
    predictions = np.clip(predictions, epsilon, 1 - epsilon)  # 防止取对数时出现溢出或无穷大的情况
    loss = - (labels * np.log(predictions) + (1 - labels) * np.log(1 - predictions))  # 二元交叉熵损失函数
    return np.mean(loss)

def mean_squared_error_loss(predictions, labels):
    """
    计算均方误差损失函数。

    参数：
    - predictions：模型的预测值。
    - labels：真实标签。

    返回值：
    - loss：计算得到的损失值。
    """
    loss = np.mean((predictions - labels) ** 2)  # 均方误差损失函数
    return loss

# 示例使用
predictions = np.array([0.8, 0.2, 0.6, 0.3])  # 模型预测值（概率）
labels = np.array([1, 0, 1, 0])  # 真实标签（二分类）

# 计算二元交叉熵损失函数
bce_loss = binary_cross_entropy_loss(predictions, labels)
print("Binary Cross-Entropy Loss:", bce_loss)

# 计算均方误差损失函数
mse_loss = mean_squared_error_loss(predictions, labels)
print("Mean Squared Error Loss:", mse_loss)