【损失函数系列】softmax loss损失函数详解
1.损失函数：
损失函数（loss function）是用来评测模型的预测值f(x)与真实值Y的相似程度，损失函数越小，就代表模型的鲁棒性越好，损失函数指导模型学习。根据损失函数来做反向传播修改模型参数。机器学习的目的就是学习一组参数，使得预测值与真值无限接近。
2.softmax loss：
它是损失函数的一种，是softmax和cross-entropy loss组合而成的损失函数。
先看softmax，其函数形式如下：其中z就是某个神经网络全连接层输出的一组结果，例如分类问题，做4分类，z就是一个1*4的向量。j就是0~3下标号。zk就是全连接层第k个值。
（1）
全连接输出向量z的每个值没有大小限制，显然通过（1）后就强制将它给限制在0~1之间了，变成概率值。
cross-entropy loss 交叉熵损失函数在我的博客详细写了下：。
这里就直接上交叉熵的公式了：
（2）
f(zc)就是上面的f(fzk),就是 softmax函数的输出值。yc就是样本真值喽。公式（2）就是最终的损失函数值了。
举例说明：例如真实样本标签为
yc = [0, 0, 1, 0]。
而第一个预测结果为
f（z1） = [0.1, 0.1, 0.7, 0.1]
f（z2） = [0.25, 0.2, 0.3, 0.35]
f（z3） = [0.15, 0.2, 0.1, 0.55]
显然第一个预测结果是对的，第二个，第三个都是错的。他们的损失函数值分别为
Lz1 = -log0.7
Lz2 = -log0.3
Lz3 = -log0.1
L函数图像如下：
显然，与真值越接近，损失函数越小，与真值相去越远 ，损失函数越大。优化过程就是不断的将与真值接近的那个概率值提升，提升，再提升，让损失函数降低，降低，再降低。
上一篇：
通过多线程提高代码的执行效率例子
下一篇：
红黑树与AVL树，各自的优缺点总结