【转载】损失函数 - 交叉熵损失函数

MSE

转载自：损失函数 - MSE[1]

数理统计中均方误差是指参数估计值与参数值之差平方的期望值，记为MSE。MSE是衡量“平均误差”的一种较方便的方法，MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。

SSE（和方差）

在统计学中，该参数计算的是拟合数据和原始对应点的误差的平方和，计算公式为： $SSE=\sum {i=1^m w_i(y_i-\hat y_i)^2}$

其中 $y_i$ 是真实数据， $\hat y_i$ 是拟合的数据， $w_i>0$ ，从这里可以看出SSE接近于0，说明模型选择和拟合更好，数据预测也越成功。

缺点：

使用MSE的一个缺点就是其偏导值在输出概率值接近0或者接近1的时候非常小，这可能会造成模型刚开始训练时，偏导值几乎消失。

假设我们的MSE损失函数为： $J=\frac{1}{2}(y_i-\hat y_i)^2$ ,偏导为：

$\frac{dJ}{dW}=(y_i-\hat y_i) {\delta}'(Wx_i+b)x_i$ ，其中 ${\delta }' (Wx_i+b)$ 为 $\delta (Wx_i+b)(1-\delta (Wx_i+b))$ 。可以看出来，在 $\delta (Wx_i+b)$ 值接近0或者1的时候， $\frac{dJ}{dW}$ 的值都会接近于0，其函数图像如下，这导致模型在一开始学习的时候速率非常慢，而使用交叉熵作为损失函数则不会导致这样的情况发生。

举例说明：

预测政治倾向例子：

我们希望根据一个人的年龄、性别、年收入等相互独立的特征，来预测一个人的政治倾向，有三种可预测结果：民主党、共和党、其他党。假设我们当前有两个逻辑回归模型（参数不同），这两个模型都是通过sigmoid的方式得到对于每个预测结果的概率值：

模型1：

对于样本1和样本2以非常微弱的优势判断正确，对于样本3的判断则彻底错误。

模型2：

对于样本1和样本2判断非常准确，对于样本3判断错误，但是相对来说没有错得太离谱。

好了，有了模型之后，我们需要通过定义损失函数来判断模型在样本上的表现了，那么我们可以定义哪些损失函数呢？

分析方法：

1. Classification Error（分类错误率）

最为直接的损失函数定义为： $classification\ error =\frac{count \ of\ error\ items}{count\ of\ all\ items}$

模型1：cls error = 1/3

模型2：cls error = 1/3

我们知道，模型1和模型2虽然都是预测错了1个，但是相对来说模型2表现得更好，损失函数值照理来说应该更小，很遗憾的是，classification error 并不能判断出来，所以这种损失函数虽然好理解，但表现不太好。

2. Mean Squared Error (均方误差)

均方误差损失也是一种比较常见的损失函数，其定义为： $MSE = \frac{1}{n}\sum _i^n(\hat y_i - y_i)^2$

模型1：

$sample\ 1\ loss = (0.3-0)^2+(0.3-0)^2+(0.4-1)^2=0.54$

$sample\ 2\ loss = (0.3-0)^2+(0.4-1)^2+(0.3-0)^2=0.54$

$sample\ 3\ loss = (0.1-1)^2+(0.2-0)^2+(0.7-0)^2=1.32$

对所有样本的loss求平均：

$MSE = \frac{0.54+0.54+1.32}{3}=0.8$

模型2：

$sample\ 1\ loss = (0.1-0)^2+(0.2-0)^2+(0.7-1)^2=0.138$

$sample\ 2\ loss = (0.1-0)^2+(0.7-1)^2+(0.2-0)^2=0.138$

$sample\ 3\ loss = (0.3-1)^2+(0.4-0)^2+(0.3-0)^2=0.72$

对所有样本的loss求平均：

$MSE = \frac{0.138+0.138+0.72}{3}=0.332$

我们发现，MSE能够判断出来模型2优于模型1，那为什么不采样这种损失函数呢？主要原因是逻辑回归配合MSE损失函数时，采用梯度下降法进行学习时，会出现模型一开始训练时，学习速率非常慢的情况。

有了上面的直观分析，我们可以清楚的看到，对于分类问题的损失函数来说，分类错误率和均方误差损失都不是很好的损失函数，下面我们来看一下交叉熵损失函数的表现情况。

Cross Entropy Error Function（交叉熵损失函数）

转载自损失函数 - 交叉熵损失函数[2]

二分类

在二分的情况下，模型最后需要预测的结果只有两种情况，对于每个类别我们的预测得到的概率为 $p$ 和 $1-p$ 。此时表达式为：

$L=\frac{1}{N}\sum _iL_i=\frac{1}{N}\sum _i-[y_i*log(p_i)+(1-y_i)*log(1-p_i)]$

其中：

- $y_i$ —— 表示样本i的label，正类为1，负类为0

- $p_i$ —— 表示样本i预测为正的概率

现在我们利用这个表达式计算上面例子中的损失函数值：

模型1：

$sample\ 1\ loss = -(0*log0.3+0*log0.3+1*log0.4)=0.91$

$sample\ 2\ loss = -(0*log0.3+1*log0.4+0*log0.3)=0.91$

$sample\ 3\ loss = -(1*log0.1+0*log0.2+0*log0.7)=2.30$

对所有样本的loss求平均：

$L = \frac{0.91+0.91+2.3}{3}=1.37$

模型2：

$sample\ 1\ loss = -(0*log0.1+0*log0.2+1*log0.7)=0.35$

$sample\ 2\ loss = -(0*log0.1+1*log0.7+0*log0.2)=0.35$

$sample\ 3\ loss = -(1*log0.3+0*log0.4+0*log0.4)=1.20$

对所有样本的loss求平均：

$L = \frac{0.35+0.35+1.2}{3}=0.63$

函数图像：

多分类

多分类的情况实际上就是对二分类的扩展：

$L=\frac{1}{N}\sum _i L_i=\frac{1}{N}\sum _i-\sum _{c=1}^My_{ic}log(p_{ic})$

其中：

- $M$ ——类别的数量；

- $y_{ic}$ ——指示变量（0或1）,如果该类别和样本i的类别相同就是1，否则是0；

- $p_{ic}$ ——对于观测样本i属于类别 $c$ 的预测概率。

优缺点

4.1 优点

在用梯度下降法做参数更新的时候，模型学习的速度取决于两个值：一、学习率；二、偏导值。其中，学习率是我们需要设置的超参数，所以我们重点关注偏导值。从上面的式子中，我们发现，偏导值的大小取决于 $x_i$ 和 $\left [ \delta (s)-y \right ]$ ，我们重点关注后者，后者的大小值反映了我们模型的错误程度，该值越大，说明模型效果越差，但是该值越大同时也会使得偏导值越大，从而模型学习速度更快。所以，使用逻辑函数得到概率，并结合交叉熵当损失函数时，在模型效果差的时候学习速度比较快，在模型效果好的时候学习速度变慢。

4.2 缺点

Deng [3]在2019年提出了ArcFace Loss，并在论文里说了Softmax Loss的两个缺点：1、随着分类数目的增大，分类层的线性变化矩阵参数也随着增大；2、对于封闭集分类问题，学习到的特征是可分离的，但对于开放集人脸识别问题，所学特征却没有足够的区分性。对于人脸识别问题，首先人脸数目(对应分类数目)是很多的，而且会不断有新的人脸进来，不是一个封闭集分类问题。

另外，sigmoid(softmax)+cross-entropy loss 擅长于学习类间的信息，因为它采用了类间竞争机制，它只关心对于正确标签预测概率的准确性，忽略了其他非正确标签的差异，导致学习到的特征比较散。基于这个问题的优化有很多，比如对softmax进行改进，如L-Softmax、SM-Softmax、AM-Softmax等。

Reference

[1]损失函数 - MSE

[2]损失函数 - 交叉熵损失函数

[3] Deng, Jiankang, et al. "Arcface: Additive angular margin loss for deep face recognition." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019.