【深度学习基础】损失函数

深度学习基础：

1. 性能评估指标
2. 超参数介绍
3. 损失函数

前言

本文主要总结一下常见目标检测的损失函数以及一些基础的函数，主要损失函数为mask-rcnn涉及到的损失函数包括：

• MSE均方误差损失函数、
• Cross Entropy交叉熵损失函数
• 目标检测中常用的Smooth L1损失函数
• focal loss，log loss
• dice loss ,iou loss
  

损失函数：

共分为两类，分类问题的损失，和回归问题的损失。
分类损失：

• cross entropy loss
• focal loss
• log loss

回归损失：

• L1 loss
• L2 loss
• smooth L1 loss

均方差损失函数（仅为比较经典）

均方差损失函数常用在最小二乘法中。它的思想是使得各个训练点到最优拟合线的距离最小（平方和最小）。均方差损失函数也是我们最常见的损失函数，定义如下：

其中， a=f(z)=f(w·x+b) ：x是输入、w和b是网络的参数、 f(·) 是激活函数。

交叉熵损失函数（分类）

• 熵：是信息论中最基本、最核心的一个概念，它衡量了一个概率分布的随机程度，或者说包含的信息量的大小。
• 交叉熵：的定义与熵类似，不同的是定义在两个概率分布而不是一个概率分布之上。对于离散型随机变量，交叉熵定义为
  

交叉熵刻画的是两个概率分布之间的距离，或可以说它刻画的是通过概率分布q来表达概率分布p的困难程度，p代表正确答案，q代表的是预测值，交叉熵越小，两个概率的分布约接近。

• softmax：（指在max的数据经常被取得，而小的数据也能被取得的softmax）计算公式：
  
  softmax直白来说就是将原来输出是3,1,-3通过softmax函数一作用，就映射成为(0,1)的值，而这些值的累和为1（满足概率的性质），那么我们就可以将它理解成概率，在最后选取输出结点的时候，我们就可以选取概率最大（也就是值对应最大的）结点，作为我们的预测目标！

• 交叉熵损失：计算神经网络gt分数和预测分数之间的差距，交叉熵损失函数公式为：

log loss(二分类)

focal loss(二分类)

focal loss为凯明大神的大作，主要用于解决多分类任务中样本不平衡的现象，可以获得比softmax_cross_entropy更好的分类效果。由log loss改进而来的，为了于log loss进行对比，公式如下：


比log loss多了一个
$(1−p i ​ ) γ$

Smooth L1损失函数（回归）

Smooth L1损失函数是在Fast R-CNN中被提出，他的bound box的回归方式使用了该损失函数

对于目标检测中的回归问题，最初大多采用均方误差损失 $||y-f(z)||^{2}$ 这样反向传播对w或者b求导时仍存在 $y-f(z)$ 那么当预测值和目标值相差很大时，就容易造成梯度爆炸。

所以我们将 $||y-f(z)||^{2}$ 这种均方误差形式，转变成 $Smooth_{L1}(y-f(z))$这种形式
smoothL1主要公式如下：

• 当预测框与 ground truth 差别过大时，梯度值不至于过大；
• 当预测框与 ground truth 差别很小时，梯度值足够小。
• Smooth L1 Loss结合了L2 Loss收敛更快，且在0点有导数，便于收敛的好处。也在边界区域结合了L1 Loss的好处，让网络对异常值更加robust，能够在偏移值较大时还能拉回来
  

dice loss

Dice 可以理解为是两个轮廓区域的相似程度，用A、B表示两个轮廓区域所包含的点集，定义为：

或者可表示为：

​

IOU loss

参考链接

【地址1】
【地址2】
【交叉熵参考】
【图像处理中的loss汇总】
【深度学习激活函数/损失函数总结】