3. 神经网络系列 -- 损失函数

系列博客，原文在笔者所维护的github上：https://aka.ms/beginnerAI，
点击star加星不要吝啬，星越多笔者越努力。

第3章 损失函数

3.0 损失函数概论

3.0.1 概念

在各种材料中经常看到的中英文词汇有：误差，偏差，Error，Cost，Loss，损失，代价…意思都差不多，在本书中，使用“损失函数”和“Loss Function”这两个词汇，具体的损失函数符号用J来表示，误差值用loss表示。

“损失”就是所有样本的“误差”的总和，亦即（m为样本数）：

$$损失=\sum _{i=1}^m误{差}_i$$

$$J=\sum _{i=1}^{m}loss$$

在黑盒子的例子中，我们如果说“某个样本的损失”是不对的，只能说“某个样本的误差”，因为样本是一个一个计算的。如果我们把神经网络的参数调整到完全满足独立样本的输出误差为0，通常会令其它样本的误差变得更大，这样作为误差之和的损失函数值，就会变得更大。所以，我们通常会在根据某个样本的误差调整权重后，计算一下整体样本的损失函数值，来判定网络是不是已经训练到了可接受的状态。

损失函数的作用

损失函数的作用，就是计算神经网络每次迭代的前向计算结果与真实值的差距，从而指导下一步的训练向正确的方向进行。

如何使用损失函数呢？具体步骤：

1. 用随机值初始化前向计算公式的参数；
2. 代入样本，计算输出的预测值；
3. 用损失函数计算预测值和标签值（真实值）的误差；
4. 根据损失函数的导数，沿梯度最小方向将误差回传，修正前向计算公式中的各个权重值；
5. goto 2, 直到损失函数值达到一个满意的值就停止迭代。

3.0.2 机器学习常用损失函数

符号规则：a是预测值，y是样本标签值，J是损失函数值。

• Gold Standard Loss，又称0-1误差
  $$loss=\{\begin{array}{ll}0& a=y\\ 1& a\ne y\end{array}$$

• 绝对值损失函数

$$loss=|y-a|$$

• Hinge Loss，铰链/折页损失函数或最大边界损失函数，主要用于SVM（支持向量机）中

$$loss=max(0,1-y\cdot a),y=\pm 1$$

• Log Loss，对数损失函数，又叫交叉熵损失函数(cross entropy error)

loss=−1m∑imyilog(ai)+(1−yi)log(1−ai)yi∈{ 0,1} loss = -\frac{1}{m} \sum_i^m y_i log(a_i) + (1-y_i)log(1-a_i) \qquad y_i \in \{0,1\} loss=−m1​i∑m​yi​log(ai​)+(1−yi​)log(1−ai​)yi​∈{ 0,1}

• Squared Loss，均方差损失函数
  $$loss=\frac{1}{2m}\sum _i^m(a_i-y_i{)}^2$$

• Exponential Loss，指数损失函数
  $$loss=\frac{1}{m}\sum _i^m{e}^{-(y_i\cdot a_i)}$$

3.0.3 损失函数图像理解

用二维函数图像理解单变量对损失函数的影响

图3-1 单变量的损失函数图

图3-1中，纵坐标是损失函数值，横坐标是变量。不断地改变变量的值，会造成损失函数值的上升或下降。而梯度下降算法会让我们沿着损失函数值下降的方向前进。

1. 假设我们的初始位置在A点，$x=x0$，损失函数值（纵坐标）较大，回传给网络做训练；
2. 经过一次迭代后，我们移动到了B点，$x=x1$，损失函数值也相应减小，再次回传重新训练；
3. 以此节奏不断向损失函数的最低点靠近，经历了$x2、x3、x4、x5$；
4. 直到损失值达到可接受的程度，比如$x5$的位置，就停止训练。

用等高线图理解双变量对损失函数影响

图3-2 双变量的损失函数图

图3-2中，横坐标是一个变量$w$，纵坐标是另一个变量$b$。两个变量的组合形成的损失函数值，在图中对应处于等高线上的唯一的一个坐标点。$w、b$所有的不同的值的组合会形成一个损失函数值的矩阵，我们把矩阵中具有相同（相近）损失函数值的点连接起来，可以形成一个不规则椭圆，其圆心位置，是损失值为0的位置，也是我们要逼近的目标。

这个椭圆如同平面地图的等高线，来表示的一个洼地，中心位置比边缘位置要低，通过对损失函数值的计算，对损失函数的求导，会带领我们沿着等高线形成的梯子一步步下降，无限逼近中心点。

3.0.4 神经网络中常用的损失函数

• 均方差函数，主要用于回归

• 交叉熵函数，主要用于分类

二者都是非负函数，极值在底部，用梯度下降法可以求解。

系列博客，原文在笔者所维护的github上：https://aka.ms/beginnerAI，
点击star加星不要吝啬，星越多笔者越努力。

3.1 均方差函数

MSE - Mean Square Error。

该函数就是最直观的一个损失函数了，计算预测值和真实值之间的欧式距离。预测值和真实值越接近，两者的均方差就越小。

均方差函数常用于线性回归(linear regression)，即函数拟合(function fitting)。公式如下：

$$loss=\frac{1}{2}(z-$$