深度学习之loss function

机器通过损失函数进行学习。这是一种评估特定算法对给定数据建模程度的方法。如果预测值与实际结果偏离较远，损失函数会得到一个非常大的值。通过梯度下降算法来优化损失函数，使预测值逼近真实值。
#平方损失函数
平方误差是预测值与真实值之差的平方和
其公式如下：

均方误差，MSE(mean squared error)

均方误差是预测值与真实值之差的平方和的平均值，即

0-1损失(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:

绝对值损失函数

绝对值损失函数是计算预测值与目标值的差的绝对值：

log对数损失函数

log对数损失函数的公式如下：

指数损失函数（exponential loss）

指数损失函数的公式如下：

Hinge 损失函数

Hinge 损失函数的公式如下

感知损失(perceptron loss)函数

感知损失(perceptron loss)函数公式如下：

交叉熵损失函数 (Cross-entropy loss function)

交叉熵损失函数的公式如下:

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