文档摘要

3.1 损失函数如何表达"错得多深" 本节摘要：损失函数把"预测与标签之间的差距"压成一个标量，这个标量同时驱动前向打分和反向梯度。本节讲清它为何必须是标量、它在优化链条里的位置，以及梯度必须经过损失函数往回传的逻辑——理解这一步，后面看回归与分类的损失才有底气。 第 1 章把三要素安上了天平，第 2 章讲的是"能表达什么"的砝码。现在轮到刻度尺本身——损失函数。 会员。《3.1 损失函数如何表达错得多深》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