深度学习（tensorflow）中的所有学习算法都必须有一个最小化或最大化一个函数，称之为损失函数（loss function），或“目标函数”、“代价函数”。损失函数是衡量模型的效果评估。比如：求解一个函数最小点最常用的方法是梯度下降法（比如：全批量梯度下降 Batch GD、随机梯度下降 SGD、小批量梯度下降 mini-batch GD、Adagrad法，Adadelta法、Adam法等）。损失函数就像起伏的山，梯度下降就像从山上滑下来到达最底部的点。

显然，不存在一个损失函数可以适用于所有的任务。损失函数的选择需要取决于很多因素，其中包括异常值的处理、深度学习算法的选择、梯度下降的时间效率等。本文的目的介绍损失函数，以及它们的基本原理。

损失函数严格上可分为两类：分类损失和回归损失，其中分类损失根据类别数量又可分为二分类损失和多分类损失。在使用的时候需要注意的是：回归函数预测数量，分类函数预测标签。

编辑搜图

损失函数集合

回归损失（Regression Loss）

1. 均方误差（Mean Square Error，MSE）

也可以称为二次损失（Quadratic loss） / L2损失（L2 Loss）

均方误差（MSE) 是常用的回归类损失函数，表示的：预测值和真实label的距离平方和；公式如下：

2. 平均绝对误差（ Mean Absolute Error,MAE)

也称为 L1 损失（L1 loss）

平均绝对误差（MAE）也是一个回归模型的损失函数。MAE是预测值和真实值之间的绝对差之和（而均方误差需要平方和）。故而，它表示的是预测值的的平均误差大小，而不考虑方向，范围是。若考虑到方向，那就会被定义为平均偏差（Mean Bias Error，MBE），它是残差/误差的总和。公如下：

3. MSE 和MAE对比：

使用平方误差MSE更容易收敛，但使用绝对误差MAE对异常值更稳健

训练一个模型的时候，目标是为了找到损失函数取最小值的点。当预测值与真实label完全相等时，两个函数都会达到最小值。下面是两种损失函数的python代码，可以编写自己的函数，也可以使用sklearn的内置函数：


def mse(true, pred):

return np.sum((true - pred)**2)



def mae(true, pred):

return np.sum(np.abs(true - pred))



# also available in sklearn

from sklearn.metrics import mean_squared_error

from sklearn.metrics import mean_absolute_error

从公式中可以看出，MSE和MAE 主要的区别是在于预测值和真实label值之间差值是否需要平方。当数据中出现一个非常大的异常值（离群值），这就会导致MSE 损失函数非常大。这样会导致 MSE损失模型比有MAE损失模型给离群点更多的权重。这回降低模型的整体性能。

很显然训练数据如果被异常值破坏（例如，我们在训练环境中错误地接收到巨大的负/正值，而不是在测试环境中），推荐使用MAE损失函数。

直观的理解：1. 我们需要对所有试图使MSE最小化结果给出一个预测，那么这个预测结果是所有目标值的平均值。2. 我们最小化MAE的时候，这个预测结果是所有观测值的中值。现实中 中值会比均值对离群值更稳健，这使得MAE比MSE对离群值更稳健。

MAE损失函数的会存在一个比较大问题是，它的梯度在训练的时候一直是相同的，这也表明即使损失治很小，梯度也会非常大，这对学习没有好处。为了解决这个问题，需要设置动态学习率，这样随着训练的进行会接近最小值对时候学习率降低。MSE表现得很好，即使设置固定学习速率，也会进行收敛。当损失值越大，MSE损失的梯度越大，当损失接近0时，MSE损失的梯度越小，使得训练结束时MSE损失的梯度更精确(见下图)。

MSE和MAE学习率

如果选择使用哪个损失函数

1. 如果异常值代表的异常数据对业务是非常重要的，而且需要被检测到，应该使用MSE损失函数。2. 如果离群值仅仅代表损坏（噪声）的数据，应该选择MAE作为损失。

以上两个损失函数都可能存在的问题：都不能给出理想预测结果。例如，如果我们的数据中90%的真实label为150，其余10%的label在0~30之间。若 MAE作为损失的模型预测所有观测值为150，MAE会忽略10%的异常数据，因为MAE会向中值靠拢。在同样数据情况下，MSE的模型的预测值会在0到30的范围内，因为它会倾向于离群值。这两种结果在实战场景下都是不可取的。

那该怎么办?一个简单的解决方法是修改目标变量。另一种方法是尝试其他的损失函数。这就是需要提到第三个损失函数，Huber Loss背后的动机。

4.Huber Loss

也可以称为：Smooth Mean Absolute Error

与平方误差损失相比较，Huber Loss对数据中的噪声（异常值）不敏感。在0处也是可微的。Huber Loss 基本上算是绝对误差，当误差很小的时候就变成了二次方值（下面公式可以看出）。误差有多小时，Huber Loss 会变成二次方值取决于超参数，这个超参数是需要手动调整的。Huber损失在时接近MSE，在(大数值)时接近MAE。公式如下

的设置是很重要的，直接决定了哪些数据为异常值（噪声）。大于的误差在L1中最小(L1对大的异常值（噪声）不那么敏感)，而小于的残差在L2中较小。

为什么要使用 Huber Loss

使用MAE训练神经网络的一个大问题是它的持续大梯度，这可能会导致在使用梯度下降训练结束时丢失最小值。对于MSE，当损失接近其最小值时，梯度减小，使其更加精确。

在这种情况下，Huber损失是非常有用的，因为它在减小梯度的最小值附近弯曲。它比MSE对离群值更稳健。因此，它结合了MSE和MAE的优良性能。然而，Huber损失的问题是我们可能需要训练超参数delta，这是一个迭代过程。

5. Log-Cosh Loss

Log-Cosh是一个回归损失函数，它比L2更平滑的损失函数。Log-cosh是预测误差使用的数学函数是双曲余弦的对数。公式如下：

优点： 1. 该损失函数数学意义近似 (x^2)/2；其中，对于非常大的x 数学意义近似于；这里的数学意义表明：该函数的工作方式与均方差公式有点类似，该损失函数，具有Huber损失函数的所有优点，并且处处可微。

为什么需要二阶导数？许多ML模型实现如XGBoost使用牛顿法来寻找最优值，这就是为什么需要二阶导数（Hessian）。对于像XGBoost这样的ML框架，两次可微函数更合适。

xgboost 二阶导数，公式

但是该损失函数也存在一些缺点。它对于一些非常大的噪声（离群点）的预测是恒定的。还是会受到梯度和Hessian问题的干扰，所以也会导致XGBoost缺少分割。

6. 分位数损失（Quantile Loss）

在预测问题中，我们会更关注数据中预测出来的不确定性数据感兴趣。熟悉预测的范围，不单单只是预测值。在很多业务上的决策问题都会有帮助。

分位数损失函数（Quantile Loss）在需要进行预测结果为一个区间时候是一个非常有用的工具。一般情况下利用最小二乘回归模型来预测取值区间，基于的假设：取值残差的方差是常数。但是很多时候数据是不满足该假设的。这就需要分位数损失函数和分位数回归模型去优化回归模型了。该模型对于预测的区间是非常敏感的，即使在非均匀分布的残差下也可以保持较好的性能。用两个图片看看分位数损失函数在异方差数据下的回归表，下面两幅图做了个对比：

左：线性关系b / w X1和Y.具有恒定的残

上图是两种不同的数据分布，其中上面的左图是残差的方差为常数的情况，而上面右图则是残差的方差随着x 进行变化的情况（不是常数）。利用正常使用的最小二乘模型对上述两种情况进行了预测，下图中中间橙色线为建模的结果。但却无法得到取值的区间，这就需要分位数损失函数来解决该问题了。

两条虚线基于0.05和0.95的分位数损失

基于分位数的回归模型是在预测变量是确定值的情况下去估计响应变量的条件分位数。分位数损失函数可以看作是MAE的一个扩展类型(当分位数是50%时，形式就是MAE)。

选择分位数值的思想是需要基于业务上需求确定，需要给正误差更多的值还是相反给负误差更多的值。分位数误差损失函数试图根据所确定的分位数的值，对高估和低估给予不同的惩罚。例如，分位数损失函数( )对过高估计预测值给予更多惩罚，并保持预测值略低于中值。

γ是分位数，其值在0和1之间。

明显可以看到对于正负误差不平衡的状态

Sklearn实现梯度增强树回归

上图显示了sklearn库的GradientBoostingRegression中可用的分位数损失函数计算出的90%的预测区间。上界构造为，下界构造为

最后做个对比实验：利用模拟出数据进行对不同损失函数的性能和效果进行了比较。并且在原始数据中融合了高斯噪声和脉冲噪声（基于鲁棒性实验进行比对）。下图是GBM回归器模型利用上面提到的不同损失函数得到的实验结果。下图中的ABCD图分别是MSE, MAE, Huber, Quantile损失函数的结果：

编辑搜图

请点击输入图片描述（最多18字）

简要说明：E图：一个平滑的GBM拟合成有噪声的sinc（x）数据，是原始函数；F 图：是符合MSE损失函数和MAE损失函数的平滑GBM；G图：是平滑GBM，其具有Huber损失函数，δ= 4,2,1；H图：光滑的GBM 与α= 0.5,0.1,0.9的分位数损失函数。

总结：1. MAE损失函数受到冲击噪声的影响最小，2. 而MSE损失函数有一定的偏差；3. Huber损失函数对于超参数的选取不是狠敏感；4.分位数损失函数在对应的置信区间内得到比较好的效果。

7.损失函数对比：

将所有的损失函数绘制在一张图上。

二分类损失（Binary Classification Loss）

1. 二元交叉熵损失（Binary Cross-Entropy Loss）

熵： 表示一个事件的无序或不确定性，它是对概率分布为p(X)的随机变量X进行测量。公式如下：

概率分布的熵越大，表明该数据分布的不确定性也就越大。同样，概率值越小，分布越确定，不确定性也就越小。

这使得二元交叉熵最适合当作损失函数来最小化它的损失值。对于输出概率为p的分类任务重，可以使用二元交叉熵损失函数来进行训练模型。

2. 铰链损失（Hinge Loss）

Hinge Loss 损失函数需要和分类标签label为-1和1 的支持向量机(SVM)分类器模型一起使用。重点：需要确保数据集中的负类的标签label从0更改为-1。

Hinge损失不仅会惩罚错误的预测，也会惩罚不确定的正确预测。

Hinge Loss损失函数的公式：

def update_weights_Hinge(m1, m2, b, X1, X2, Y, learning_rate):

m1_deriv = 0

m2_deriv = 0

b_deriv = 0

N = len(X1)

for i in range(N):

# Calculate partial derivatives

if Y[i]*(m1*X1[i] + m2*X2[i] + b) <= 1:

m1_deriv += -X1[i] * Y[i]

m2_deriv += -X2[i] * Y[i]

b_deriv += -Y[i]

# else derivatives are zero



# We subtract because the derivatives point in direction of steepest ascent

m1 -= (m1_deriv / float(N)) * learning_rate

m2 -= (m2_deriv / float(N)) * learning_rate

b -= (b_deriv / float(N)) * learning_rate



return m1, m2, b

使用三种不同的alpha值运行上面的代码，并经过2000次迭代后的效果图如下：

Hinge-Loss 损失函数效果图

Hinge-Loss损失函数简化了支持向量机的数学运算过程，但是也使的模型的损失最大化(与对数损失相比)。当业务中需要做出实时决策却不需要提高准确性时，Hinge-Loss可以选择使用。

多分类损失（Multi-Class Classification Loss）

1. 多分类交叉熵损失（Multi-Class Cross-Entropy Loss）

多分类交叉熵损失函数是二元（二分类）交叉熵损失函数的推广形式。输入向量和对应的单编码目标向量的损失函数；

somftmax函数：可以用来求解概率：最终softmax会给出最大概率的类别。

tf2.0的代码如下：指定使用损失函数：categorical_crossentropy

# importing requirements

from keras.layers import Dense

from keras.models import Sequential

from keras.optimizers import adam



# alpha = 0.001 as given in the lr parameter in adam() optimizer



# build the model

model_alpha1 = Sequential()

model_alpha1.add(Dense(50, input_dim=2, activation='relu'))

model_alpha1.add(Dense(3, activation='softmax'))



# compile the model

opt_alpha1 = adam(lr=0.001)

model_alpha1.compile(loss='categorical_crossentropy', optimizer=opt_alpha1, metrics=['accuracy'])



# fit the model

# dummy_Y is the one-hot encoded

# history_alpha1 is used to score the validation and accuracy scores for plotting

history_alpha1 = model_alpha1.fit(dataX, dummy_Y, validation_data=(dataX, dummy_Y), epochs=200, verbose=0)

经过200个迭代训练后的效果图：

训练200次的loss

训练200次的accuracy

2. KL散度（KL-Divergence）

Kullback-Liebler散度：一个数据的概率分布与另一个数据的概率分布差异的数学度量，若KL散度为零则表示两个数据的分布是相同的。

KL酸度的公式

但是需要注意的是：KL散度函数是不对称的。所以KL散度不能用作距离度量。

KL散度介绍：作为损失函数的方法，不深入探讨数学原理。KL散度是不对称的，用两种方法，公式下：

编辑搜图

KL散度两种方法

第一种方法主要用于监督学习案例中，第二种方法主要用于强化学习案例中。KL散度公式类似于多类交叉熵，所以也称为P相对于Q的相对熵：

编辑搜图

KL散度的解析

在tf2.0 代码中使用 compile()函数中，并且指定 kullback_leibler_divergence 作为损失函数参。代码如下：

# importing requirements

from keras.layers import Dense

from keras.models import Sequential

from keras.optimizers import adam



# alpha = 0.001 as given in the lr parameter in adam() optimizer



# build the model

model_alpha1 = Sequential()

model_alpha1.add(Dense(50, input_dim=2, activation='relu'))

model_alpha1.add(Dense(3, activation='softmax'))



# compile the model

opt_alpha1 = adam(lr=0.001)

model_alpha1.compile(loss='kullback_leibler_divergence', optimizer=opt_alpha1, metrics=['accuracy'])



# fit the model

# dummy_Y is the one-hot encoded

# history_alpha1 is used to score the validation and accuracy scores for plotting

history_alpha1 = model_alpha1.fit(dataX, dummy_Y, validation_data=(dataX, dummy_Y), epochs=200, verbose=0)

KL散度的 loss

KL散度的 acuraccy

相比多类分类任务，KL-散度常用于近似复杂函数。深度自动生成模型（如变分自动编码器（VAE））会经常用到KL-散度函数。

以上是关于深度学习中的损失函数的主要内容，如果未能解决你的问题，请参考以下文章

Keras深度学习实战——深度学习中常用激活函数和损失函数详解