人工智能00027 深度学习与图像识别书评27 神经网络基础09
神经网络模型训练得以实现是经过前向传播计算Loss，根据Loss的值进行反向推导，并进行相关参数的调整。
Loss是指导参数进行调整的方向性的指导，是很关键的值，如果Loss随意指示下降的方向，那么可能会出现的问题是，无论经过多少次迭代，都是没有目标的随意游走，这样的话又怎么可能到达Loss最低点呢？
在神经网络的训练中，对于损失函数的选取、以及梯度下降的各个参数的调整都是尤为重要的。
使用的最主要的损失函数是均方误差和交叉熵误差。
均方误差（meansquarederror）是各数据偏离真实值的距离平方和的平均数，也即误差平方和的平均数，用σ表示。
均方误差可以用作机器学习中的损失函数，用于预测和回归。均方误差
用Python代码实现，具体如下：
def mean_squared_error(p,y):
return np.sum((p-y)**2)/y.shape[0]
下面回到动物分类的例子，我们将猫分为类1，狗分为类2，小鸡分类为3，如果不属于以上任何一类就分到“其他”类（或者说，“以上均不符合”这一类），我们将它称为类0。
假设我们在这里输入了一张猫的图片，其对应的真实标签是0100（类别已经转换成了one-hot编码形式）：
我们通过代码来看下，下述代码的输出是0.22500000000000003： import numpy as np
y = np.array([0,1,0,0]) #y是真实标签
p = np.array([0.3,0.2,0.1,0.4]) #通过Softmax得到的概率值
def mean_squared_error(p,y):
return np.sum((p-y)**2)/y.shape[0]
print(mean_squared_error(p,y))
如果分类的类别是正确的，则输出是0.055000000000000014： import numpy as np
y = np.array([0,1,0,0])
p = np.array([0.2,0.6,0.1,0.1])
def mean_squared_error(p,y):
return np.sum((p-y)**2)/y.shape[0]
print(mean_squared_error(p,y))
假设上述两个例子是图像分类，第一个例子中，我们输入的图片是猫，但是神经网络认为是鸡，其损失函数的输出 约为0.23；第二个例子中，我们输入的图片是猫，神经网络也认为是猫（概率比较大的那个），其损失函数的输出约为0.055。
从上述结果中，我们可以发现，第二个例子的损失函数输出更小，这也就意味着其与真实值之间的误差更小。
交叉熵误差
同样的例子，在使用Softmax层时，对应的目标值y以及训练结束前某次输出的概率值y_predict（Softmax得到的是针对每一个类别的概率值）分别为：
Softmax使用的损失函数为交叉熵，其中C代表类别数量： 在训练过程中，我们的目标是最小化Loss的值，y已经是one-hot类型了，我们输入的图片是猫，所以我们可以知道y1=y3=y4=0，y2=1（为便于理解初始索引为1），所以带入Loss函数中可以得到：
所以为了最小化Loss，我们的目标就变成了使得y_predict2的概率尽可能地大。上述公式是一个样本所得到的Loss函数值，最后我们累加训练集中的Loss函数值。
这里用Python代码来实现，其中，p代表预测值；y代表真实值，实现代码具体如下：
def cross_entropy_error(p,y):
return np.sum(-y*np.log(p))
下面依然通过上述例子来求解一遍以查看效果，值得注意的是，为了避免出现log(0)，所以我们增加了一个delta值。下述代码的输出是1.6094374124342252，具体实现如下：
import numpy as np
def cross_entropy_error(p,y):
delta = 1e-7
return np.sum(-y*np.log(p+delta))
y = np.array([0,1,0,0])
p = np.array([0.3,0.2,0.1,0.4])
print(cross_entropy_error(p,y))
第二个例子的输出是0.510825457099338，具体实现如下：
import numpy as np
y = np.array([0,1,0,0])
p = np.array([0.2,0.6,0.1,0.1])
def cross_entropy_error(p,y):
delta = 1e-7return np.sum(-y*np.log(p+delta))
print(cross_entropy_error(p,y))
述示例我们可以得出同样的结论：当真实类别与神经网络给出的类别相同的时候，损失函数的输出比较小。
