损失函数和激活函数
损失函数（Loss Function）:
损失函数是神经网络中用于度量模型预测值与实际值之间的差异的函数。它可以衡量预测值与实际值之间的误差，从而对模型进行优化。常见的损失函数包括均方误差（Mean Square Error，MSE）、交叉熵（Cross Entropy）等。
1. 均方误差（Mean Square Error, MSE）: 均方误差是最简单常见的损失函数之一，用于回归问题。它计算预测值与实际值之间的均方差，即将每个预测值与实际值之差平方后求平均。均方误差越小表示模型的预测能力越好。
3. 自定义损失函数: 在实际应用中，我们也可以根据具体问题的特点定义自己的损失函数。比如在目标检测问题中，可以采用目标边界框的IoU（Intersection over Union）作为损失函数，来度量预测框与实际框之间的重叠程度。正则化损失函数
激活函数（Activation Function）:
激活函数是神经网络中的非线性函数，它作用于每个神经元的输出，将其转换为非线性的激活状态。激活函数的引入使得神经网络能够学习和表示更加复杂的函数关系，提高模型的非线性表示能力。
1. Sigmoid 函数: Sigmoid 函数是一个非常经典的激活函数，它将输入值映射到一个 [0, 1] 的范围内，用于二分类问题。它的主要特点是能够将任何输入值都映射到一个有限的范围内，平滑地输出概率值。
2.ReLU函数:ReLU函数是目前最常用的激活函数之一，它将负数直接置零，而正数保持不变。ReLU函数的主要特点是简单、计算高效，而且能够有效缓解梯度消失问题。
3. Leaky ReLU 函数: Leaky ReLU 函数是对 ReLU 函数的改进，它在负数部分不是直接置零，而是乘上一个较小的正斜率。这样可以保证负数部分也有梯度，从而避免了 ReLU 函数中可能出现的神经元“死亡”的问题。
4. Softmax 函数: Softmax 函数是用于多分类问题的激活函数，它能够将多个输出神经元的值转化为概率分布。Softmax 函数将每个神经元的输出转化为一个 [0, 1] 之间的概率值，同时保证所有概率之和为1
总结起来，损失函数用于度量模型预测值与实际值之间的差异，从而对模型进行优化；而激活函数则用于引入非线性特性，使得神经网络能够学习和表示更加复杂的函数关系。通过合理选择损失函数和激活函数，可以提高神经网络模型的性能和表达能力。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。