Các chức năng mất mát là những thành phần quan trọng trong việc đào tạo mô hình học sâu sắc. họ đo lường cách tốt như thế nào các dự đoán của mô hình phù hợp với các dữ liệu thực tế. hiểu làm thế nào để tính toán và tối ưu hóa các chức năng này là quan trọng để cải thiện hiệu suất mô hình.

Hàm mất mát là gì?

Một hàm mất định lượng sự khác biệt giữa kết xuất của một mô hình và kết xuất đúng. Nó cung cấp một giá trị riêng lẻ ngụ ý lỗi mô hình. Trong khi đào tạo, mục tiêu là giảm thiểu lỗi này để cải thiện độ chính xác.

Kiểu hàm thường gặp của hàm mất

  • Lỗi Ian Squared (MSE): ) được dùng cho các tác vụ hồi quy, nó tính toán sự khác biệt bình phương trung bình giữa các giá trị được dự đoán và thực tế.
  • Cross-Entropy Loss: trong các nhiệm vụ phân loại, nó đo lường sự khác biệt giữa hai phân phối xác suất.
  • Hige Loss:) được dùng để huấn luyện classifier như máy véc tơ hỗ trợ.

Tính toán mất từng bước một

Quá trình tính toán mất đi bao gồm nhiều bước:

Bước 1: Tiên đoán

Dữ liệu nhập được đưa vào mô hình để tạo ra dự đoán. Những dự đoán này được so sánh với các nhãn hoặc giá trị thực tế.

Bước 2: Tính lỗi

Sự khác biệt giữa dự đoán và giá trị thật được tính bằng chức năng mất đã chọn. Ví dụ, ở MSE, điều này bao gồm việc hàn gắn sự khác biệt và làm dịu chúng.

Bước 3: Làm báp têm cho mẫu

Các thuật toán gốc Gradient điều chỉnh tham số của mô hình để giảm thiểu mất mát. Quá trình lặp lại này tiếp tục cho đến khi mất đi đến một cấp chấp nhận được.