损失函数的选择如何影响深度学习模型的训练？

损失函数量化预测误差，通过指示模型性能来指导学习过程。它将复杂目标转换为单个可微数值，供优化算法（如梯度下降）最小化。其选择对模型收敛到有用解的能力至关重要。应用场景涵盖所有监督学习任务——分类（如图像识别）需要与回归（如房价预测）不同的损失。 不同的损失函数驱动模型趋向不同的最优解。均方误差（MSE）对异常值敏感，导致模型倾向于预测均值。交叉熵损失优先考虑正确类别的概率估计，并在分类中更好地处理类别不平衡问题。选择会影响收敛速度、对噪声的鲁棒性以及最终模型特性。例如，在回归中，Huber损失比MSE对异常值的敏感性更低，而铰链损失在支持向量机（SVM）中促进大间隔决策。 对于分类，使用交叉熵或铰链损失。对于回归，若误差呈正态分布则选择MSE，或使用平均绝对误差（MAE）/Huber损失来减轻异常值影响。目标检测等复杂任务通常采用复合损失（如结合定位和分类误差）。选择与主要业务目标一致的损失（如优先考虑召回率可能需要修改损失），并考虑数据特性如类别不平衡。选择从根本上编码了模型的目标。