深度学习的应用综述-公式

时间:2024-10-04 13:59:35

在深度学习中,有两个重要的公式常用于模型训练和评估

1.损失函数(Loss Function)

对于分类问题,常用的交叉熵损失函数(Cross-Entropy Loss) 定义为

L ( y , y ^ ) = − ∑ i = 1 C y i log ⁡ ( y ^ i ) L(y,\hat{y})=-\sum_{i=1}^Cy_i\log(\hat{y}_i) L(y,y^)=i=1Cyilog(y^i)

其中:

· L L L是损失值。
· y y y是真实标签的独热编码 (one-hot encoding) .
· y ^ \hat{y} y^是模型预测的概率分布。
· C C C是类别数。

2.激活函数(Activation Function)

ReLU (Rectified Linear Unit) 激活函数的定义为:

f ( x ) = max ⁡ ( 0 , x ) f(x)=\max(0,x) f(x)=max(0,x)

其中:

  • $ f(x)$是激活值。
  • x x x是输入值。

这两个公式在神经网络的训练过程中扮演着重要角色,帮助模型学习和做出预测。