知识卡片
替代损失与目标指标
准确率等实际指标可能不易直接优化,训练常采用交叉熵等可优化的替代损失,再用关心的指标评价。降低替代损失有助于训练,但两者并非完全等价,仍需在目标数据上检查实际指标。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 梯度下降算法及变体:高效求解模型参数 · 查看原书依据
会选择一些如负对数似然(negative log-likelihood)或交叉熵(cross entropy)等可以更容易优化的损失函数作为替代度量
参考来源
- 位置:《破解深度学习(基础篇)_模型算法与实现》第6章《梯度下降算法及变体:高效求解模型参数》(来源项目 book-source:`extracted/破解深度学习(基础篇)_模型算法与实现/_epub-src/EPUB/xhtml/qz03_0009.xhtml`)
- 结论依据:原文及公式、代码说明方法;卡片标明原书错误和适用条件,数值示例为解释。
- 原始内容:会选择一些如负对数似然(negative log-likelihood)或交叉熵(cross entropy)等可以更容易优化的损失函数作为替代度量