损失函数

2021-03-02 本文已影响0人南国_

损失函数定义：
在深度学习中, 损失函数是用来衡量一组参数的质量的函数, 衡量的方式是比较网络输出和真实输出的差异。
损失函数训练过程：
一般使用梯度下降法：试图找到一组参数使得损失函数的值越小越好，参数(大小和方向)的调整取决于损失函数相对于参数的偏导数。

1.回归任务的损失函数

网络输出是一个连续的数值。
常用的损失函数为：绝对值误差, 平方差。

1）绝对值误差
绝对误差函数是非常直观的损失函数。
$\mathit{L} = \frac{1}{n}\sum_{i=1}^{n}\left | y_{i} - f_{\theta }\left ( x_{i} \right ) \right |$

绝对值误差.png

○ 得到的解会比较稀疏：因而在高纬任务中表现比较好、预测速度快
○ 对异常值不敏感

2）方差函数
是回归任务中最常用的损失函数。
$\mathit{L} = \frac{1}{n}\sum_{i=1}^{n}\left ( y_{i} - f_{\theta }\left ( x_{i} \right )\right )^{2}$

方差损失函数.png

○ 比绝对误差函数得到的结果更精准
○ 对大的误差输出更敏感
○ 对outliers很敏感

2.分类任务的损失函数

网络的输出为一个类别。
损失函数: hinge loss, Cross-entropy loss

如何设计分类任务的损失函数？
首先将真实的输出类别进行独热编码 -->One-hot encoding；
然后，将网络模型的预测值与One-hot encoding后的真实类别值作为输入，计算hinge loss与Softmax。

1）hinge loss：非概率的解释

损失值：

单个样本的损失值：
$\mathit{L}_{i} = \sum_{j\neq y_{i}}max\left ( 0,s_{j} - s_{y_{i}}+\Delta \right )$

全部样本的损失值：
$\mathit{L} = \frac{1}{N}\sum_{i}\sum_{j\neq y_{i}}\left [max\left ( 0,f\left ( x_{i};W \right )_{j} - f\left ( x_{i};W \right )_{y_{i}}+\Delta \right ) \right ]$

hinge loss计算案例
$\begin{align*}\label{2} & s = \left [ 13,-7,11 \right ] \\ & y_{i} = 0 \\ & \Delta = 10 \\ & L_{i} = max\left ( 0,-7 - 13 + 10 \right ) + max\left ( 0, 11 - 13 + 10 \right ) & & \end{align*}$
原理
正确类别的输出值，一定要大于不正确类别的输出值（并且至少大于delta值）。
Hinge Loss.png

2）Softmax

概率解释，将输出转换为概率函数。
概率的取值范围为(0~1)，且所有类别的概率之和为1。

softmax数学公式： $S\left ( l_{i} \right ) = \frac{e^{l_{i}}}{\sum _{k}e^{l_{k}}}$
softmax分类的损失函数：

softmax损失函数原理图.png
单个样本的损失值：
$L_{i} = -\sum_{k}^{}y_{k}\cdot log\left ( S\left ( l_{k} \right ) \right )$
全部样本的损失值：
$\begin{align*}\label{2} & L = -\frac{1}{n}\sum_{i=1}^{n}L_{i} \\ & L = -\sum_{i=1}^{n}y_{i}\cdot log\left ( S\left ( f_{\Theta} \left ( x_{i} \right ) \right ) \right ) \\ \end{align*}$

$\color{red}{以上softmax分类的损失函数称为：交叉熵损失函数}$

3.案例

分类任务损失函数计算案例

分类损失函数计算实例（1）.png
分类损失函数计算实例（2）.png

4.分类任务为什么不用均方差作为损失函数?

方差函数多误差的输出惩罚非常大
当softmax作为激活函数时，如果使用方差函数作为损失函数，梯度公式中包含 $\hat{y}\left ( 1-\hat{y} \right )$ ，当输出接近于0或者1的时候，梯度值非常小，网络的训练就会非常慢。

1）使用均方差作为损失函数

当使用均方差作为softmax分类的损失函数时，梯度公式为：

均方差损失函数的梯度值.png

2）使用交叉熵作为损失函数

当使用交叉熵作为softmax分类的损失函数时，梯度公式为：

交叉熵损失函数的梯度值.png

5.多标签分类

输出类别属于多个类中的一个或者多个类
例如：一副包含猫咪的图像可以同时属于’猫‘，’哺乳动物‘，’宠物‘
多标签分类：应该每一个输出独立使用Sigmoid激活函数(二分类)，不能直接使用Softmax激活函数。

1）Sigmoid函数公式

$\sigma \left ( l_{i} \right ) = \frac{1}{1+e^{-l_{i}}}$

2）多标签分类损失函数

$L_{i} = -\sum_{k}^{}y_{k}\cdot log\left ( \sigma \left ( l_{i} \right ) \right )+\left ( 1-y_{k}\right )log\left ( 1-\sigma \left ( l_{i} \right ) \right )$