数字识别之---介绍损失函数

损失函数：

是模型优化的目标，用于在众多参数取值中，识别最理想的取值。损失函数的计算在训练过程的代码中，每一轮模型训练的过程都相同，分为如下三步：
1.先根据输入数据正向计算预测输出

2.在根据预测值和真实值计算损失

3.最后根据损失反向传播梯度并更新参数

损失函数的选择：

不同的深度学习任务需要有各自适宜的损失函数。如，在房价预测模型中，输入是13个x来预测房价，即输出是y。这个任务显而易见是属于回归任务。而在手写数字识别任务中，输入的是28*28的图像输出的是它的标签，即0~9之间的10个整数，属于分类任务。

使用均方误差作为分类任务的损失函数存在逻辑和效果上的欠缺。

在房价预测的案例中，由于房价本身就是一个连续的实数值，因此以模型输出的数值和真实房价差距作为损失函数（LOSS）是符合道理的。但对于分类问题，真实结果是分类标签，而模型输出是实数值，导致两者相减作为损失不具备意义。

那么，什么是分类任务的合理输出呢？分类任务本质上是“某种特征组合下的分类概率”，下面以一个简单的案例说明。如图所示
 

                                                                       图 ：观测数据和背后规律之间的关系

在案例中，医生根据肿瘤大小x作为肿瘤性质y的参考判断（判断因素有很多，肿瘤大小只是其中之一），那么我们观测该模型的结果是x和y的标签（1为恶性，0为良性）。而这个数据背后的规律是不同大小的肿瘤，属于恶性肿瘤的概率。观测数据是真实规律抽样下的结果，分类模型应该拟合这个真实规律，输出属于该分类标签的概率。

Softmax函数：

如果模型能输出10个标签的概率，对应真实标签的概率输出尽可能接近100%，而其他标签的概率输出尽可能接近0%，且所有输出概率之和为1。这是一种更合理的假设！与此对应，真实的标签值可以转变成一个10维度的one-hot向量，在对应数字的位置上为1，其余位置为0，比如标签“6”可以转变成[0,0,0,0,0,1,0,0,0,0]。

为了实现上述思路，需要引入Softmax函数，它可以将原始输出转变成对应标签的概率，公式如下，其中CCC是标签类别个数。

从公式的形式可见，每个输出的范围均在0~1之间，且所有输出之和等于1.对应到代码上，我们需要在网络定义部分修改输出层：self.fc = FC(name_scope,size=10,act='so