文档摘要

第3章 · 损失函数：标明训练的方向 章节摘要：这一章跟着"刻度尺怎么给你的错打分"这条线走。先讲损失函数为什么把"模型差距"压缩成一个标量，再分别拆回归派（平方/绝对）与分类派（交叉熵）的来龙去脉，最后扩展到合页、KL 等特殊派，并给出一套选型标尺。读完你就能为任何任务挑对刻度尺。 一条主线 第 2 章把"表达力"砝码放上了天平，现在转到刻度端：损失函数是个函数，它把"网络预测"与"真实标签"之间的差距，压成一个越小越好的标量。 会员。《第3章 · 损失函数：标明训练的方向》收录于灏天文库文集《神经网络优化技巧：激活函数、损失函数、优化器选择》，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/499-%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%BC%98%E5%8C%96%E6%8A%80%E5%B7%A7%E6%BF%80%E6%B4%BB%E5%87%BD%E6%95%B0%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0%E4%BC%98%E5%8C%96%E5%99%A8%E9%80%89%E6%8B%A9

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