深度学习各种损失函数

最新推荐文章于 2025-08-31 18:19:59 发布
转载 最新推荐文章于 2025-08-31 18:19:59 发布 · 171 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/weixin_38195506/article/details/75302445
文章标签：

#深度学习

博客提供了深度学习相关的参考内容，但未给出具体信息。
深入浅出图神经网络|GNN原理解析☄学习笔记（二）神经网络基础
像写诗一样优雅地写代码~
07-16 8974
《深入浅出图神经网络》GNN原理解析☄学习笔记（二）神经网络基础 文章目录《深入浅出图神经网络》GNN原理解析☄学习笔记（二）神经网络基础机器学习基本概念机器学习分类机器学习流程概述常见的损失函数神经网络神经元多层感知器激活函数S型激活函数ReLU及其变种训练神经网络神经网络的运行过程优化困境 机器学习基本概念 机器学习分类 机器学习流程概述 1、示例 2、算法模型 通过最小化损失函数（loss function）来进行优化求解，整个过程可用下式表示 θ∗=argmin[1N∑i=1NL(yi,f(xi
【深度学习】损失函数详解
LogosTR_的博客
08-16 1万+
损失函数
图神经网络（五）基于GNN的图表示学习（2）基于GNN的图表示学习
weixin_43360025的博客
05-08 1288
图神经网络（五）基于GNN的图表示学习（2）基于GNN的图表示学习5.2 基于GNN的图表示学习5.2.1 基于重构损失的GNN1.推断模型2.生成模型3.损失函数 5.2 基于GNN的图表示学习  凭借强大的端对端学习能力，GNN这类模型可以非常友好地支持有监督的学习方式。但是GNN本身作为一种重要的对图数据进行表示学习的框架，只要与相应的无监督损失函数结合起来就能实现无监督图表示学习。无监督学习的主体在于损失函数的设计，这里我们分两类损失函数分别进行介绍：基于重构损失的GNN和基于对比损失的GNN。
图神经网络（8）- 如何应用GNN
qq_44689178的博客
03-11 4104
图的特征增强，图的结构增强，GNN训练过程中的处理和数据集的划分
自然语言处理NLP——图神经网络与图注意力模型（GNN、GCN、GAT）
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
12-24 2万+
本篇博客从图神经网络（GNN）的动机与模型，图卷积网络（GCN）的模型详解与公式推导引入，重点介绍图注意力网络（GAT）的目标函数推导，模型解析，并使用不同框架复现GAT论文实验，对比分析结论与论文结果，并在最后补充一定的GAT推广与优化（内附Python代码与数据集）。
【深度学习】最全的十九种损失函数汇总
热门推荐
wzk4869的博客
06-27 3万+
【深度学习】最全的十九种损失函数汇总
深度学习PyTorch损失函数全解析：从原理到实战的详细指南了深度学习中
04-15
内容概要：本文详细介绍了PyTorch框架中损失函数的原理及其在深度学习中的应用。损失函数是模型训练的核心，用于衡量预测值与真实值之间的差异，指导模型优化。文章首先阐述了损失函数的重要性，接着分类介绍了常见...
深度学习损失函数原理分析（三） 深度学习原理.pdf
04-13
深度学习损失函数原理分析 深度学习损失函数是深度学习模型中一个非常重要的组件，决定了模型的优化方向和速度。不同的损失函数适用于不同的模型和问题，因此选择合适的损失函数是模型优化的关键。本文主要介绍三种...
深度学习探索-基础篇-损失函数篇
盼盼的博客
06-19 1470
在深度学习中，损失函数（Loss Function）是一个非常关键的概念，它扮演着指导模型学习的角色。你可以将损失函数想象成一个裁判，它的任务是评判模型对于给定数据的预测做得有多好或多差。当模型做出预测时，损失函数会比较这个预测与实际的正确答案（真实值），并给出一个错误的度量——也就是损失。这个损失是一个数值，通常是一个非负数，数值越小意味着模型的预测越接近真实值，因此模型的表现越好。深度学习的目标之一就是通过调整模型内部的参数（权重和偏置），使得损失函数的值尽可能地小。
深度学习损失函数原理解析（一） 深度学习原理.pdf
04-13
深度学习损失函数原理解析 深度学习中损失函数的选择是模型训练效果的关键所在。不同的损失函数有其特点和应用场景，本文将对深度学习中常用的19种损失函数进行介绍，包括均方误差损失、交叉熵损失、KL 散度损失、...
【机翻】Contrastive Learning based Hybrid Networks for Long-Tailed Image Classification
zzbro
04-12 2377
Contrastive Learning based Hybrid Networks for Long-Tailed Image Classification Abstract 在长尾图像分类中，判别式图像表示的学习起着非常重要的作用，因为它可以在不平衡的情况下实现分类器的学习。鉴于对比学习在表征学习中表现出的优越性，本文探索了一种有效的有监督的对比学习策略，并将其用于从不平衡数据中学习更好的图像表征，以提高分类精度具体来说提出了一种新的混合网络结构由有监督的对比损失学习图像表征和交叉熵损失学习分类器组成
小黑回来继续重振旗鼓:GAT我回来了
qq_37418807的博客
06-14 339
2.数据处理 邻接矩阵与特征标准化 加载数据并处理 3.模型定义 GraphAttentionLayer GAT整体模型 多头注意力合并: 4.模型训练 输出: Epoch:0001 loss_train:1.9473 acc_train:0.1786 loss_val:1.8979 acc_val:0.4433 time:10.4272s Epoch:0002 loss_train:1.8933 acc_train:0.2857 loss_val:1.8609 acc_val:0.5000 ti
深度学习-损失函数
ZHINV_的博客
04-21 1083
当输出层使用softmax多分类时，使用交叉熵损失函数；当输出层使用sigmoid二分类时，使用二分类交叉熵损失函数， 比如在逻辑回归中使用；当功能为线性回归时，使用均方差损失-L2 loss；
Graph Neural Network（GNN）综述
湾区人工智能
05-14 2922
关注“SIGAI”，选择“星标”或“置顶”技术文章，第一时间获取作者简介：吴天龙 香侬科技researcher公众号（suanfarensheng）导言图(grap...
【图神经网络】图神经网络(GNN)学习笔记：基于GNN的图表示学习
小哲的博客
02-07 4927
本文主要就基于GNN的无监督图表示学习进行详解。在实际的应用场景中，大量的数据标签往往具有很高的获取门槛，研究如何对图数据进行高效的无监督表示学习具有十分重要的价值。
深度学习（生成式模型）——DDIM：Denoising Diffusion Implicit Models
菜到怀疑人生的博客
10-30 6795
上一篇博文介绍了DDIM的前身DDPM。DDPM的反向过程与前向过程步数一一对应，例如前向过程有1000步，那么反向过程也需要有1000步，这导致DDPM生成图像的效率非常缓慢。本文介绍的DDIM将降低反向过程的推断步数，从而提高生成图像的效率。值得一提的是，DDIM的反向过程仍然是马尔可夫链，但论文里有讨论非马尔可夫链的生成模型。本博文只总结DDIM如何提高DDPM的生成图像效率。
【机器学习30】-GAT代码中——以及常见激活函数和loss函数
最新发布
wangshangshang09的博客
08-31 704
GAT出现以及常见激活函数和 loss 函数 **LeakyReLU** **ELU (Exponential Linear Unit)** **负对数似然损失（Negative Log Likelihood Loss, NLLLoss）**
U-GAT-IT论文解读（飞浆）
Zjuer_Jingyu的博客
08-06 1964
U-GAT-IT论文主要贡献模型结构生成器判别器损失函数实验结果![在这里插入图片描述](https://img-blog.csdnimg.cn/20200806192525567.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1pqdWVyX0ppbmd5dQ==,size_16,color_FFFFFF,t_70) 论文主要贡献 解决了无监督的图
GAN的损失函数
我の博客
01-08 8806
在训练过程中，生成器和判别器的目标是相矛盾的，并且这种矛盾可以体现在判别器的判断准确性上。生成器的目标是生成尽量真实的数据，最好能够以假乱真、让判别器判断不出来，因此生成器的学习目标是让判别器上的判断准确性；相反，判别器的目标是尽量判别出真伪，因此判别器的学习目标是让自己的判别准确性。当生成器生成的数据越来越真时，判别器为维持住自己的准确性，就必须向辨别能力越来越强的方向迭代。当判别器越来越强大时，生成器为了降低判别器的判断准确性，就必须生成越来越真的数据。在这个奇妙的关系中，判别器判断的准确性由。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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