1 引言

在网络模型进行训练时，激活函数、损失函数、优化器都会成为影响模型最终效果的关键因素。其中，激活函数和损失函数根据任务的不同又有不同的更新，而优化器往往只是优化策略的不同，即可以在不同的任务（分类、回归）上使用同一种优化器、同一优化器参数。

在上一个系列 史上最全激活函数总结篇（持续更新ing…）中详解介绍了各种激活函数，有兴趣的小伙伴可以去看下，顺便提一下建议。

而在这个全新的系列，我会给大家介绍各种各样不同的损失函数。不同的任务下（分类、回归、生成等）损失函数的使用往往是不同的。因此，也希望大家把自己关注的损失函数可以在评论区留言发给我，后续会对大家提及的损失函数进行介绍和更新。

2 损失函数是什么

损失函数是一个数学函数用来计算预测值和实际值之间的损失（差值、平方等策略）。
注意：这里所说的预测值和实际值可以是一个数值、一个类别，也可能是一个数组、一张图片。 另外，根据损失计算方式的不同，损失函数也是不同的。

这里，举个简单的例子说明损失函数计算的方式：

实际数值为5
预测数值为2
若将实际值和预测值之间的差值作为损失函数，则损失函数计算得到的损失为：3
若将实际值和预测值之间的差值的平方值作为损失函数，则损失函数计算得到的损失为：9

3 为什么要使用损失函数

深度学习以预测精度提高为目的在不断地发展（这里的精度泛指包括预测数值跟实际数值差距尽可能小、预测类别和实际类别一致、生成的图片尽可能合理等）。而在深度学习训练过程中，需要不断调节网络神经元的权重，而这些权重的调整依托于损失函数，即损失函数指导这些参数如何调整，进而使模型在不断训练的过程中精度也是在不断地提高。

这里，为了更好地帮助大家理解为什么使用损失函数，可以做一个假设：假设没有损失函数，当深度学习模型在进行了一次迭代后，得到了该轮对应的数据预测值。 然后，如何调整网络神经元权重来让模型下一次迭代效果更好呢？ 如果使用随机的方法，可以想象可能需要无数次的训练（因为现在一般的深度学习的模型神经元数目较多）。如果不更新权重，那么下一次得到的输出应该是与上次相同的（同一个数值与同一个权重做计算）。因此，这里使用损失函数来计算预测值与实际值之间的差距，判断变大、变小，进而更进一步指导深度学习网络神经元权重进行更新。

下面给出了一个损失函数MSE 原理的图片，大家可以看一下。

4 总结

到此，使用 损失函数总结（一） 已经介绍完毕了！！！ 这里只是给大家做一个简单的介绍，如果有什么疑问或者介绍中有不足的地方欢迎在评论区提出，对于共性问题可能会后续添加到文章介绍中。如果有想要了解的损失函数也可以在评论区提出，后续会对其进行添加！！！！

如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。