文档摘要

3.4 其他派别：从合页到 KL 散度 本节摘要：损失函数的刻度桌不止摆着回归与分类两大派，还有几位特殊选手：合页损失（SVM）、KL 散度（生成模型）、以及稳健派其他变体。本节逐一讲清它们"在什么时候会显得自然、在什么时候别拿来硬凑"，帮你识别特殊任务该请哪尊佛。 回归看了平方与绝对，分类看了熵与对数，可有些任务既不是"算连续差值"也没有明确标签概率。这时主角换成一群异类：合页、KL、再到一系列针对分布与边缘的损失。 会员。《3.4 其他派别：从合页到 KL 散度》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