Chức năng mất là những thành phần thiết yếu trong mô hình máy học, hướng dẫn tiến trình đào tạo bằng cách ước lượng sự khác biệt giữa kết quả dự đoán và nhãn đúng. Thiết kế chức năng mất mát hiệu quả cho công việc chuyên biệt đòi hỏi hiểu những yêu cầu độc đáo của mỗi ứng dụng và dịch chúng vào các cấu tạo toán học. Bài này khám phá các nguyên tắc nằm sau việc tạo ra chức năng bị mất phù hợp và cung cấp những sự hiểu biết thực tiễn để thực hiện.

Hiểu vai trò của hàm mất người thân

Chức năng mất chức năng phục vụ như là mục tiêu mà mô hình tối ưu hóa trong khi đào tạo. Chúng ảnh hưởng đến cách mô hình học các mẫu và thích nghi với dữ liệu. Đối với các nhiệm vụ thông thường như phân loại hoặc hồi quy, chức năng thường như là đối ngược lại hoặc có nghĩa là lỗi bình phương. Tuy nhiên, các nhiệm vụ đặc biệt thường đòi hỏi chức năng mất tự chọn chức năng tốt hơn để ghi nhớ các sắc thái của vấn đề.

Nguyên tắc thiết kế hàm mất tập trung

Chức năng mất tập trung tự chọn nên tương ứng với các mục tiêu cụ thể của công việc. Chúng phải khác nhau để cho phép tối ưu hoá theo độ dốc và nên giảm thiểu lỗi theo cách phản ánh tầm quan trọng của các loại lỗi khác nhau. Xem xét các mục tiêu có tính mạnh đối với nhiễu, mất cân bằng lớp và cần phải giải thích tính năng.

Chiến thuật gây chấn động

Thao tác hàm mất tập trung tùy chỉnh bao gồm định nghĩa một hàm số tính giá trị mất mát được đưa ra và nhãn đúng. Trong khung như TensorFlow hoặc PyTorch, điều này có thể đạt được bằng cách tạo ra một hàm hay hạng mới. Kiểm tra chức năng mất về dữ liệu mẫu giúp đảm bảo tính chính xác trước khi trộn nó vào đường ống đào tạo.

Những thí dụ về hàm số mất đặc biệt

  • Phụ đề được thực hiện bởi Động Phim - Cave Subbing Team
  • IoU Loss:) được dùng trong phát hiện đối tượng để tối ưu hóa các đo lường giao nhau- over-union trực tiếp.
  • Sự mất liên kết: các ứng dụng học cách tách rời khoảng cách giữa các cặp tương tự và tối đa hóa những cặp không giống nhau.
  • Custom Rection Loss: ) Kết hợp hình phạt đặc trưng miền cho sự lệch hướng trong dự đoán liên tục.