Loss Functions

Kategori: Deep Learning , 28 Mart 2020 , JanFranco


Forward propagation işlemini anlatırken output layerda hesaplanan değer ile olması gereken değerlerin karşılaştırıldığından ve farklı karşılaştırma yolları olduğundan bahsetmiştik. Bu yazımda bunları inceleyeceğiz. Aşağıda yaygın kullanılan Loss fonksiyonları listelenmiştir:

L1
L2
Cross Entropy
Hinge Loss
Mean Absolute Error
Mean Square Error

En yaygın kullanılan loss fonksiyonu mean square error fonksiyonudur. Yani MSE. Mean square error fonksiyonu:

MSE = (Olması gereken değer - hesaplanan değer)^2

Son hesaplanan değerler yani output layerdaki değerler loss fonksiyonuna tabi tutulur. Sadece forward propagation işlemi uygulanmış bir sinir ağı modelinde loss fonksiyonunun sonucu çok kütü bir sonuç çıkar. Bunun sebebi ağırlıkların ve bias değerlerinin rastgele verilmesidir. Forward propagation işleminden sonra back propagation işlemi ile ağırlıklar ve bias değerleri daha iyi hale gelecek şekilde tekrar güncellenir.


Sonraki Yazı: Back Propagation
Yorumlar

Henüz bir yorum bulunmuyor.
Yorum bırakın