神经网络代价函数
1. 代价函数基本定义
- 代价函数是衡量模型预测输出值与目标真实值之间差距的一类函数,在一些场景中也称为目标函数。
- 在神经网络中,代价函数(如二次误差函数)衡量输出值与真实值之间的误差,以此进行误差反向传递,不断调整网络中权值和阈值,从而使得预测值和真实值之间的差距越来越小。
- 一些常用的代价函数主要有:二次代价函数、交叉熵代价函数以及对数似然函数等等。
2. 二次代价函数
- 定义
考虑 n n 个样本的输入
,对应的真实值为 y1,y2,...,yn y 1 , y 2 , . . . , y n ,对应的输出为 o(zi) o ( z i ) ,则二次代价函数可定义为:
其中, C C 表示代价函数, 表示样本总数。
- 以一个样本为例
假设在神经网络中,上一层每个神经元的输出为 xj x j ,权值为 wj w j ,偏置值为 b b 。当前输出神经元的激活函数为
。则该神经元的输入值为 z=∑wjxj+b z = ∑ w j x j + b ,此时二次代价函数为:
其中, y y 为真实值。
- 考虑权值和偏置值更新
假如使用梯度下降法(Gradient descent)来调整权值和偏置值大小,则对
和 b b 求偏导得:
该偏导数乘以学习率 l l 就变成了每次调整权值和偏置值得步长。当 一定时,可以看出 w w 和 的梯度跟激活函数的梯度成正比,激活函数的梯度(导数)越大,则 w w 和 调整得就越快,训练收敛得就越快。
- 结合激活函数
假设神经元使用的激活函数为sigmoid函数,如下图所示:

- 考虑 A A 点和 点,权值调整大小与sigmoid函数的梯度(导数)有关。
- 当真实值 y=1 y = 1 时,则输出值目标是收敛至 1 1 。 离目标比较远,权值调整大; B B 离目标比较近,权值调整小。调整方案合理。
当真实值 时,则输出值目标是收敛至 0 0 。 离目标比较近,权值调整大; B B 离目标比较远,权值调整小。调整方案不合理。换句话说,很难调整到目标值 。
结论
可以看出,二次代价函数在使用sigmoid或tanh的s型激活函数时,在收敛至 0 0 时,存在收敛速度慢而导致的训练速度慢的问题。
2. 交叉熵代价函数
- 交叉熵
在分析交叉熵代价函数函数之前,先来了解一下交叉熵的概念。
首先引入信息熵,给定一个随机变量
,对应的概率分布为 p1,p2,...pn p 1 , p 2 , . . . p n ,则信息熵就是用来衡量随机变量的不确定性大小,定义为: