Hàm mất mát
Hàm mất mát là một con số duy nhất cho mô hình biết dự đoán của nó sai đến mức nào, biến một mục tiêu mơ hồ thành thứ mà toán học có thể tối ưu hóa.
Tổng quan
Choosing the right loss shapes what the model actually learns.
Lặn sâu
Mọi mô hình được đào tạo đều cần một định nghĩa chính xác về lỗi và đó là những gì hàm mất mát mang lại. Nó so sánh dự đoán của mô hình với câu trả lời đúng và đưa ra một con số: cao hơn có nghĩa là tệ hơn. Đào tạo sau đó là quá trình giảm thiểu con số này. Sự lựa chọn mất mát không phải là mỹ phẩm. Đối với các tác vụ hồi quy, sai số bình phương trung bình sẽ phạt nặng các lỗi lớn bằng cách bình phương chênh lệch, trong khi sai số tuyệt đối trung bình xử lý tất cả các lỗi một cách đồng đều hơn và loại bỏ các giá trị ngoại lệ. Để phân loại, tổn thất entropy chéo đo lường mức độ phân bố xác suất được dự đoán so với nhãn thực, trừng phạt nghiêm khắc những câu trả lời sai tự tin. Việc chọn một khoản lỗ không phù hợp với mục tiêu của bạn có thể khiến mô hình tối ưu hóa sai về mặt kỹ thuật, do đó, hàm mất mát mã hóa một cách hiệu quả những gì bạn quan tâm.
Hiểu biết kỹ thuật
Entropy chéo, đặc trưng của phân loại, bắt nguồn từ lý thuyết thông tin: nó đo các bit bổ sung cần thiết để mã hóa các nhãn thực bằng cách sử dụng xác suất dự đoán của mô hình. Bởi vì nó tăng mạnh khi một dự đoán tự tin trở thành sai, nên độ dốc của nó đẩy mô hình khó sửa những sai lầm quá tự tin. Các hàm mất mát phải khả vi (hoặc gần như vậy) vì lan truyền ngược cần độ dốc của chúng. Yêu cầu đó chính xác là lý do tại sao các đại diện thay thế trơn tru được sử dụng thay vì các số liệu thô, không khác biệt như độ chính xác.
Tác động chiến lược
Quyết định rõ ràng hơn
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Chi phí và ngân sách
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Nhóm và quy trình làm việc
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Tương lai của hàm mất mát
Thiết kế mất chức năng ngày càng được định hình ở nơi hành vi AI hiện đại. Ngoài entropy chéo tiêu chuẩn, các kỹ thuật như làm mịn nhãn, mất tiêu điểm cho dữ liệu không cân bằng và mất tương phản cho việc học biểu diễn hiện đã trở nên phổ biến. Trong các mô hình ngôn ngữ lớn, mục tiêu đào tạo và mô hình khen thưởng học tập củng cố từ phản hồi về cơ bản là những tổn thất được thiết kế cẩn thận nhằm điều khiển giai điệu, tính hữu ích và sự an toàn. Dự kiến tổn thất tùy chỉnh và tổn thất tổng hợp sẽ tiếp tục tăng trưởng, kết hợp nhiều mục tiêu vì chúng là một trong những đòn bẩy trực tiếp nhất để kiểm soát giá trị của mô hình.
Triển khai trong thế giới thực
Sử dụng tính năng mất entropy chéo để đào tạo trình phân loại thư rác qua email nhằm xử phạt các hành vi phân loại sai lầm đáng tin cậy
Chọn sai số trung bình tuyệt đối để dự đoán giá nhà nên một số biệt thự cực đoan không lấn át đào tạo
Áp dụng sự mất mát tương phản để mô hình nhận dạng khuôn mặt tập hợp các hình ảnh của cùng một người
Thiết kế mô hình phần thưởng để điều khiển chatbot hướng tới những phản hồi hữu ích và trung thực hơn
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Tài liệu nơi Hàm mất mát hữu ích và nơi các phương pháp đơn giản hơn sẽ tốt hơn.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Loss Functions quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Mất bộ ba và học số liệu
Câu hỏi thường gặp
What is Loss Functions?
Hàm mất mát là một con số duy nhất cho mô hình biết dự đoán của nó sai đến mức nào, biến một mục tiêu mơ hồ thành thứ mà toán học có thể tối ưu hóa. Việc chọn mức tổn thất phù hợp sẽ định hình những gì mô hình thực sự học được.
Hàm mất mát đo lường điều gì?
Hàm mất mát đưa ra một con số định lượng khoảng cách giữa dự đoán và câu trả lời đúng; thấp hơn là tốt hơn.
Hàm mất mát nào được sử dụng phổ biến nhất cho các nhiệm vụ phân loại?
Entropy chéo so sánh phân phối xác suất dự đoán với nhãn thực và là lựa chọn tiêu chuẩn để phân loại.
So với sai số bình phương trung bình, tại sao bạn có thể chọn sai số tuyệt đối trung bình?
Sai số tuyệt đối trung bình xử lý tất cả các sai số theo tỷ lệ thay vì bình phương chúng, do đó một số sai số cực đoan có ít ảnh hưởng hơn.
Tại sao hàm mất mát nói chung phải khả vi?
Lan truyền ngược cần độ dốc của tổn thất để cập nhật trọng số, do đó tổn thất phải khả vi hoặc có một đại diện thay thế có thể sử dụng được.
Entropy chéo xử lý một dự đoán tự tin nhưng sai như thế nào?
Entropy chéo tăng mạnh khi một mô hình chắc chắn sai, tạo ra một gradient mạnh để sửa lỗi.