การ เข้าใจ ความ สูญ เสีย: จะ เลือก และ คํานวณ ความ ดี ที่ สุด สําหรับ เครือ ข่าย ของ คุณ ที่ เกี่ยว ข้อง กับ เนื้อ เยื่อ ได้ อย่าง ไร?

การสูญเสียการทํางานเป็นส่วนประกอบที่สําคัญในการฝึกเครือข่ายประสาท พวกเขาวัดว่าการคาดการณ์ของโมเดลตรงกับข้อมูลจริงอย่างไร การเลือกการทํางานการสูญเสียที่เหมาะสมนั้นมีความสําคัญมาก สําหรับการบรรลุประสิทธิภาพที่ดีในงานการเรียนรู้ของเครื่อง

ชนิดของฟังก์ชันสูญเสีย

งานที่แตกต่างกันต้องใช้ฟังก์ชันการสูญเสียที่แตกต่างกัน

• [FLT: 0]. MEAN squared error (MSE): ใช้สําหรับปัญหาความถดถอย, มันคํานวณค่ากําลังสองเฉลี่ยระหว่างค่าที่คาดการณ์ไว้ และค่าจริง.
• [FLT: 0]. Cros-Entropy Los: ใช้สําหรับงานจําแนกประเภท, มันวัดความแตกต่างระหว่างการกระจายตัวความน่าจะเป็น 2 ครั้ง.
• [FLT: 0] Hingee Los: ใช้โดยทั่วไปในการรองรับเครื่องช่วยสร้างเวกเตอร์เพื่อจัดหมวดหมู่

เลือก ปฏิบัติ การ สูญ เสีย ที่ ถูก ต้อง

ตัวเลือกขึ้นอยู่กับชนิดปัญหาและลักษณะข้อมูล สําหรับงานที่ผิดพลาด, ตัวแปร, ค่าผิดพลาดแบบ MAE หรือค่าสมบูรณ์ (MAE) เป็นตัวเลือกทั่วไป สําหรับการจัดหมวดหมู่, การสูญเสียค่าข้ามค่าแบบ จะเป็นการโปรดพิจารณาการแสดงผลของรุ่น และลักษณะของข้อมูลเมื่อเลือกฟังก์ชันการสูญเสีย

กําลังคํานวณการสูญเสีย

การคํานวณการสูญเสียนี้ เกี่ยวข้องกับการใช้ฟังก์ชันที่เลือกไปใช้กับคําทํานายของโมเดล และป้ายที่แท้ ๆ โครงสร้างการเรียนรู้ของเครื่องส่วนใหญ่จะให้คํานวณการสูญเสียอย่างมีประสิทธิภาพ ระหว่างการฝึก พารามิเตอร์ของแบบจําลองปรับให้น้อยที่สุด