深度学习常用损失函数总览：基本形式、原理、特点

机器学习中的监督学习本质上是给定一系列训练样本 ，尝试学习 的映射关系，使得给定一个 ，即便这个 不在训练样本中，也能够得到尽量接近真实 的输出 。而损失函数（Loss Function）则是这个过程中关键的一个组成部分，用来衡量模型的输出 与真实的 之间的差距，给模型的优化指明方向。

本文将介绍机器学习、深度学习中分类与回归常用的几种损失函数，包括均方差损失 Mean Squared Loss、平均绝对误差损失 Mean Absolute Error Loss、Huber Loss、分位数损失 Quantile Loss、交叉熵损失函数 Cross Entropy Loss、Hinge 损失 Hinge Loss。主要介绍各种损失函数的基本形式、原理、特点等方面。

目录 1. 前言 2. 均方差损失 Mean Squared Error Loss 3. 平均绝对误差损失 Mean Absolute Error Loss 4. Huber Loss 5. 分位数损失 Quantile Loss 6. 交叉熵损失 Cross Entropy Loss 7. 合页损失 Hinge Loss 8. 总结

内容中包含的图片若涉及版权问题，请及时与我们联系删除