15.损失函数及其梯度

本文介绍了深度学习中的损失函数,包括Mean Squared Error(MSE)和Cross Entropy Loss,并讨论了它们在二分类和多分类任务中的应用。重点讲述了MSE在梯度求导中的角色,以及Softmax激活函数的原理,它如何将神经网络输出转换为概率分布。此外,还提到了交叉熵损失函数及其在计算中的注意事项。
摘要由CSDN通过智能技术生成

损失函数及其梯度

损失函数

1.Mean Squared Error均方差(MSE)
2.Cross Entropy Loss交叉熵损失(分类误差)

  • 即可用于binary二分类也可用于multi-class多分类
  • 搭配softmax激活函数在Logistic Regression Part(逻辑回归部分)中使用

MSE


线性感知机下的梯度求导情况


全连接层的MSE梯度求导

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']= '2'

x = tf.random.normal([2,4])
w = tf.random.normal([4,3]) #把4维降低到3维,3类多分类问题
b = tf.zeros([3])
y = tf.constant([2,0])

with tf.GradientTape<
  • 0
    点赞
  • 6
    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