在二分類問題中用的最多的是binary_crossentropy,在物體檢測中經常用到IoU,在醫學圖像分割中經常用到的是DICE, 它們的公式如下:
loss function.png
可以看出損失函數基本都是由真實值和預測值兩部分組成,正確的損失函數,可以起到讓預測值一直逼近真實值的效果,當預測值和真實值相等時,loss值最小。
下面是我以binary_crossentropy爲例推導的反向傳播過程,反向傳播是一個不斷更新權重w和偏差b的過程,當loss函數值爲0時,表示預測值達到真實值,這時候權重和偏差不再需要更新。