【总结】深度学习中的损失函数
1. 铰链损失/合页损失 Hinge Loss
SVM常用损失函数
-
函数表达式
L ( y , f ( x ) ) = m a x ( 0 , 1 − y ⋅ f ( x ) ) L(y,f(x)) = max(0,1-y·f(x)) L(y,f(x))=max(0,1−y⋅f(x)) -
函数图像
通过上图可知,当 y ⋅ f ( x ) > 1 y·f(x)>1 y⋅f(x)>1时, l o s s = 0 loss=0 loss=0;否则, l o s s = 1 − y ⋅ f ( x ) loss=1-y·f(x) loss=1−y⋅f(x)。也就是说,只有被正确分类的时候,loss才为0。
2. 交叉熵 Cross-entropy Loss
(1)用于二分类
表示样本abel与预测值为正类概率的关系
- 函数表达式
C = − 1 N ∑ i [ y i l n ( p i ) +