神经网络中损失函数和代价函数的关系

二分法举例,我们为了分别一张图片是不是猫,如果是猫就输出1,不是猫输出0

起初,我们用y=ax+b来预测一张图片,但是随着我们输入变多,也就是输入变成了一个矩阵,我们开始用y=w.Tx+b来预测,这里的w是一个列向量,里面有w1,w2,...,wn,其实也就是y=ax+b里面的a,但是由于x变多了,所以w的维度也增加了。但是由于y是线性的,他计算出的值可能大于1,可能小于1,所以我们用到了一个激活函数,比如sigmoid,然后把y放到激活函数里面,那么他的值就被控制在0,1之间。\sigma(y)=y^=a,此时的y^代表的就是输出,判别是否是只猫,但是还不够,还要把它放到损失函数中,L(a,y)来计算出损失函数值,也叫误差函数,来判断我们预测的值和真实值之间的差别是多少。最后,把所有样本的损失函数值加起来,除以样本个数m,就得到了代价函数。

也就是说,损失函数是一个样本,代价函数是整体的样本求平均。

我们的目的就是为了求得最小的代价函数,换句话就是,我们是为了求得最小的误差。所以当我们第一次得到了代价函数之后,就要开始反向传播,更新参数,比如用梯度下降法。迭代第二次之后,我们有了更好的参数,算出了更小的代价函数,这就是我们想要的。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值