一、损失函数

举个例子

比如说根据Loss提供的信息知道，解答题太弱了，需要多训练训练这个模块。

Loss作用：1.算实际输出和目标之间的差距

2.为我们更新输出提供一定的依据（反向传播）

看官方文档

每个输入输出相减取平均取绝对值再取平均

第一个损失函数：L1Loss

（差的绝对值取平均）

需要注意输入输出

N=batch_size你有多少个数据

第一个损失函数：MSELoss

（平方差误差，平方取平均）

稳妥的写法是先引入nn，然后再找到MSEloss()这个方法，避免由于拼写出错而报错

二、交叉熵

 算交叉熵一般都要soft-max的，和是1

这里的-x[class]，只对目标分类计算，这里的目标分类class=1，因此-x[class]=-0.2

如果预测输出为[0.8,0.9,0.8]这种的预测概率很高又很接近的就不行，分类器的效果就不是很好。

为了让这部分比较大，只有当output和Target完全命中的时候，这一项就比较大，就是会相匹配。

Target的N是要求多少个batchsize，如实际的对哈士奇的分类，类别有三个，但是每次输入的图片只有一个也就是batchsize等于1。

另外，还需要注意：

输入必须是没有处理过的对每一类的得分。

以代码为例：

三、反向传播

利用上一次的的网络来说明

1.计算实际输出和目标之间的差距

DataLoader这边就是一个数据的加载，加载的目标数据是dataset，输入的batch_size为64

为了观察输出方便，将batch_size设置为1

图片输入进去有以下输出

target

分类问题可以用交叉熵误差

神经网络输出和真实输出的一个差距

2.为我们更新输出提供一定的一句（反向传播）

         每个卷积的卷积核就需要调优的参数，给每个卷积核参数设置了一个grad（梯度），每一个节点（待更新参数）都会求出一个对应梯度，优化过程中针对这个梯度进行优化，最终实现整体loss最优。

以梯度下降法进行说明，

删除了反向传播之后，发现梯度不更新了