2021年3月17日，机器学习算法岗实习岗面试题6道常见的损失函数：0-1损失函数

常见的损失函数：0-1损失函数，绝对值损失函数， log对数损失函数，平方损失函数，指数损失函数， hinge损失函数，交叉熵损失函数等。
0-1损失函数

文章图片
绝对值损失函数
log对数损失函数
平方损失函数

文章图片
指数损失函数
hinge损失函数
交叉熵损失函数

文章图片
常见的激活函数有：Sigmoid、Tanh、ReLU、LeakyReLU
Sigmoid函数：

文章图片
特点：
【2021年3月17日，机器学习算法岗实习岗面试题6道】它能够把输入的连续实值变换为0和1之间的输出，特别的，如果是非常大的负数，那么输出就是0；如果是非常大的正数，输出就是1 。
缺点：
缺点1：在深度神经网络中梯度反向传递时导致梯度消失，其中梯度爆炸发生的概率非常小，而梯度消失发生的概率比较大。
缺点2：Sigmoid的output不是0均值（即zero-centered）。
缺点3：其解析式中含有幂运算，计算机求解时相对来讲比较耗时。对于规模比较大的深度网络，这会较大地增加训练时间。
Tanh函数：
特点：它解决了Sigmoid函数的不是zero-centered输出问题，收敛速度比sigmoid要快，然而，梯度消失（gradientvanishing）的问题和幂运算的问题仍然存在。
ReLU函数：
特点：
1.ReLu函数是利用阈值来进行因变量的输出，因此其计算复杂度会比剩下两个函数低（后两个函数都是进行指数运算）
2.ReLu函数的非饱和性可以有效地解决梯度消失的问题，提供相对宽的激活边界。
3.ReLU的单侧抑制提供了网络的稀疏表达能力。
ReLU的局限性:在于其训练过程中会导致神经元死亡的问题。
这是由于函数f(x)=max(0,x)导致负梯度在经过该ReLU单元时被置为0 ，且在之后也不被任何数据激活，即流经该神经元的梯度永远为0 ，不对任何数据产生响应。在实际训练中，如果学习率（LearningRate）设置较大，会导致超过一定比例的神经元不可逆死亡，进而参数梯度无法更新，整个训练过程失败。
LeakyReLu函数：
LReLU与ReLU的区别在于，当z<0时其值不为0 ，而是一个斜率为a的线性函数，一般a为一个很小的正常数，这样既实现了单侧抑制，又保留了部分负梯度信息以致不完全丢失。但另一方面， a值的选择增加了问题难度，需要较强的人工先验或多次重复训练以确定合适的参数值。
基于此，参数化的PReLU（ParametricReLU）应运而生。它与LReLU的主要区别是将负轴部分斜率a作为网络中一个可学习的参数，进行反向传播训练，与其他含参数网络层联合优化。而另一个LReLU的变种增加了“随机化”机制，具体地，在训练过程中，斜率a作为一个满足某种分布的随机采样；测试时再固定下来。 RandomReLU（RReLU）在一定程度上能起到正则化的作用。
ELU函数：

文章图片
ELU函数是针对ReLU函数的一个改进型，相比于ReLU函数，在输入为负数的情况下，是有一定的输出的，而且这部分输出还具有一定的抗干扰能力。这样可以消除ReLU死掉的问题，不过还是有梯度饱和和指数运算的问题。
LR的基本表达形式如下：