|
- 深度学习的loss一般收敛到多少？ - 知乎
这个链接是回归问题的loss，本回答说一下分类问题的。 交叉熵 公式这里就不放了（手机打字不方便），可以看出，其实loss就是log(Pi)的平均值，Pi指的是预测ground truth的概率。所以，如果你希望预测概率超过0 5就好，那么loss就训练到log(0 5)。
- 损失函数｜交叉熵损失函数 - 知乎
Deng [4]在2019年提出了ArcFace Loss，并在论文里说了Softmax Loss的两个缺点：1、随着分类数目的增大，分类层的线性变化矩阵参数也随着增大；2、对于封闭集分类问题，学习到的特征是可分离的，但对于开放集人脸识别问题，所学特征却没有足够的区分性。
- 大模型优化利器：RLHF之PPO、DPO - 知乎
最终，我们可以得出 DPO 的 loss 如下所示： 这就是 DPO 的 loss。DPO 通过以上的公式转换把 RLHF 巧妙地转化为了 SFT，在训练的时候不再需要同时跑 4 个模型（Actor Model 、Reward Mode、Critic Model 和 Reference Model），而是只用跑 Actor 和 Reference 2 个模型。
- 深度学习当中train loss和valid loss之间的关系？ - 知乎
val loss是在验证集上的损失，衡量的是在未见过数据上的拟合能力，也可以说是 泛化能力 。模型的真正效果应该用val loss来衡量。 模型的真正效果应该用val loss来衡量。
- 哪里有标准的机器学习术语(翻译)对照表？ - 知乎
损失 (Loss) 一种衡量指标，用于衡量模型的预测偏离其标签的程度。或者更悲观地说是衡量模型有多差。要确定此值，模型必须定义损失函数。例如，线性回归模型通常将均方误差用作损失函数，而逻辑回归模型则使用对数损失函数。 L_1 损失函数 ( L_1 Loss)
- 深度学习网络收敛之后的loss数值代表什么？ - 知乎
从loss_reg来看：可以找到一些训练样本的bbox的回归处于抖动状态，很难和gt完美贴合，实际上所有目标不太可能和所有gt完美贴合，这就会导致loss_reg的收敛值。如果因为类别正确，bbox的回归值导致这个bbox被判定为FP，就需要额外关注了。
- 训练网络时为什么会出现loss逐渐增大的情况？ - 知乎
综上，初期loss上升，不一定发散，是正常的。在不带momentum的情况下，一般不应该出现这种情况。 解决方案:训练到loss稳定下降很缓慢时，降低学习率，或者试试不用momentum，或者多训练一段时间看看
- 为什么loss曲线会一直在波动呢？ - 知乎
这样，模型在下一个不同批次的数据上表现可能就不好，导致loss上升，看起来就是loss曲线在波动。 不对称的优化问题：训练神经网络往往是在处理非常复杂的优化问题，存在很多局部最小值。就像山上有许多不同的凹槽，有时模型会被卡在这些非全局最优的点
|
|
|