Loss函数，激活函数，规范化

最近在看深度学习时，一直很好奇，loss函数，激活函数，规范化到底是怎么弄出来的。

一直以为这个是固定不变的，然后收集了很多自恋，查看了很多博客。最后才有点眉目。

以下是个人浅见，希望各位大神，各位大大门指正。

一般而言：机器学习可以分为两大类：回归、分类：

回归：根据离散样本（xi，yi）归纳出一条平滑的曲线（或直线），并用这条曲线来预测事物的发展情况

分类：根据离散样本（xi，yi）的某些性质，将该离散样本分为几类，每类数据有不同的性质，并用分类的参数对新样本进行分类预测：新样本属于哪个类别

我们要对未知情况进行预测，就必须建立一个切合实际的模型，用这样的模型对新的数据进行预测。而要建立一个切合实际的模型，其实就是对样本（xi，yi）进行处理的相关参数集的调试。即我们需要找到能够使样本（xi，yi）进行正确分类的最佳参数集，用另一句话说，就是使分类结果（实际输出）和理想结果（我们的期望）的误差越小越好（鉴于很多模型可能没有最小值解，所以一般希望越小越好），而用来表示这个误差的函数就是我们所谓的误差函数/损失函数/成本函数

LOSS FUNCTION

一般而言，大多数神经网络采用了3类损失函数：二次代价函数（均方差函数），交叉熵函数，softmax所用的函数

    1 均方差损失函数：在UFLDL中采用的就是均方差损失函数，其模型为：

                                 

         其中 f( ) 是正个模型的的输出函数，具体化即为输出层的函数，y 为我们希望的输出，或者说数据带有的标签；

         这样，二者之间的差值自然是越小越满足我们的要求，所以均方差损失函数可以作为代价函数。

   2 交叉熵函数：熵起源于香农信息量的期望，可以参考下http://www.cnblogs.com/crackpotisback/p/6781872.html其模型为：

                                   

        同样的，f( )表示输出，y表示期望的输出或者标签。

       我们可以计算，当 y  很接近  f( ) 时， 即表示模型对数据的预测很接近我们的期望时，此时 y = f( ) =1，或者y = f( ) = 0,代入上式均可以得到J = 0

                                   当 y  不等于或者远离  f( ) 时， 即表示模型对数据的预测很不符合我们的期望时，此时 y =0， f( ) =1；或者y =1， f( ) = 0,代入上式均可以得到 J 趋近于无穷

       所以我们可以用交叉熵来判断模型参数是否符合我们的期望，即作为损失函数。

   3  softmax分类器所用的函数：  可以参考：http://blog.csdn.net/ture_dream/article/details/54948518，softmax是一个多分类器，是有一种特殊的交叉熵方法进行判断的。

         softmax是个多分类器，其输出层的函数为：

                                         其中 j = 1,2,3，...K，表示K个类别，也就是说softmax输出层输出的是测试样本是第 j 类的概率；

          此时采用的损失函数为：（下面用 i 来代替 j 了）

                                

            这样，当第 i 个样本存在的概率越大，L 值越接近于0；相反。该概率越小，其值越大，表示和我们希望不符合

以上是我收集的损失函数。

THE ACTIVATION FUNCTION

激活函数是每个节点（不含输入层）必须要有的功能，在这儿简单地对激活函数做一个介绍：

  1 sigmoid函数以其导数：

                                              

  2 tanh函数：

                                           

  3 softplus函数：

                                         

  4 softsign：http://write.blog.csdn.net/postedit

                                           

  5 ReLu：

                                           、

             此外，ReLu还有其他的类型：LReLu，PReLu，RReLu三种变形。

  6 softmax的输出层，如上述。

规范化：

规范化，也称为正则化：

  1 L2正则化：在损失函数中加入1/2 * λω^2，L2正则化对大的权重有很高的惩罚度，以求让权重分配的更均匀一些

  2 L1正则化：在损失函数中加入 λ|ω| ，L1正则化会在模型训练过程中让权重向量逐渐的稀疏化，即就是到最后只留下了对结果影响最大的一部分权重

  3 最大范数约束：限制了一个上行的权重边界，然后约束每个神经元上的权重都要满足这个约束，不添加惩罚项，要求每一个神经元的权重向量必须满足：小于一给定的常数

  4 dropout正则化：设置以参数p，就是在训练过程中，对每个神经元，都以概率p保持它是激活状态，1-p的概率直接关闭它

可以参考：http://blog.csdn.net/han_xiaoyang/article/details/50451460