文档摘要

1.3 损失函数——标定"错得多深" 本节摘要：前向传播给出预测后，损失函数负责把"错得多严重"变成一个数值。本节对比回归用的均方误差、分类用的交叉熵，解释为何分类宁可弃 MSE 而选交叉熵，并附上各损失函数的直观比较表。 前两节给了结构（1.1）和非线性（1.2），但现在网络还缺一个"好坏"的量尺——否则它不知道自己错在哪儿。本节填补这个缺口：损失函数把模型的预测和真实标签的差距压成一个标量，这个标量是第2章反向传播的"源头信号"。 会员。《1.3 损失函数——标定错得多深》收录于灏天文库文集《深度学习核心算法精讲：从原理到实践》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/493-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%A0%B8%E5%BF%83%E7%AE%97%E6%B3%95%E7%B2%BE%E8%AE%B2%E4%BB%8E%E5%8E%9F%E7%90%86%E5%88%B0%E5%AE%9E%E8%B7%B5

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流