loss設置為0時神經網路參數

❶ CS里哪裡設置網路參數 應該設置成多少

哎~如果你們沒做過腳本，不要亂說好么？看你們瞎說真是氣死我了
cl_updaterate
100
最大101
cl_cmdrate
101
最大101
網路對戰PING低於30最好這么設置，updaterate比cmdrate小1，就夠了
通常需要
cl_updaterate
=
fps值
cl_latency
最好設置成你的PING值的平均值，要用負數，網路較好設置成
-30
就可以
cl_recend
設置成loss
的平均值，網路較好設置成6
左右就可以
ex_interp
最小設置成0.01
最大0.1
也可以設置為0，即為隨其他參數調整而調整（1.6）
在1.5里ex_interp是很牛的參數，想要在牆上准確描繪你的彈點，必須設置成
0.01
這樣有助於你壓槍動作的養成，如果設置成0.1，子彈看起來不怎麼飄，其實很都打到天上去了
cl_cmdbackup
通常以
choke值為參考，網路較好時，設為2比較好
總之，一句話，在loss=0;choke=0
的情況下，盡量加大cl_updaterate
cl_cmdrate
並減小cl_recend
cl_cmdbackup
cl_latency
cl_rate
一般設置成9999，不用改，要改他所對應的rate值
rate
很影響彈道的參數，最大25000，rate值越大，你在游戲中感覺游戲動作越乾脆，
rate
值越小，動作越沉悶，但是機槍前幾發子彈會更集中
所以
AWP
需要高rate，機槍需要低rate
，尤其是AK，有的腳本設置AK的rate值在2000-4000之間，很低
還有2個不是網路參數的，可以稍微影響彈道
cl_bob
0
cl_bobup
0
這樣就可以了
Waiting
By
LoveYe
翻版請註明

❷ 神經網路loss層是做什麼用的

神經網路最重要的用途是分類，為了讓大家對分類有個直觀的認識，咱們先看幾個例子：

垃圾郵件識別：現在有一封電子郵件，把出現在裡面的所有詞彙提取出來，送進一個機器里，機器需要判斷這封郵件是否是垃圾郵件。
疾病判斷：病人到醫院去做了一大堆肝功、尿檢測驗，把測驗結果送進一個機器里，機器需要判斷這個病人是否得病，得的什麼病。
貓狗分類：有一大堆貓、狗照片，把每一張照片送進一個機器里，機器需要判斷這幅照片里的東西是貓還是狗。

❸ 在玩CS1.6時候choke為20.loss為0,參數該怎樣設置

那個東西沒法設置，那隻是個現實作用。

還有，choke之所以會有數值，是你的網路與伺服器的網路不暢通構成的。

loss是伺服器自己的文件丟失，也就我們常說的丟包。

那些東西，真沒法調，除非你換個跟伺服器暢通的線路。

❹ 神經網路參數如何確定

神經網路各個網路參數設定原則：

①、網路節點  網路輸入層神經元節點數就是系統的特徵因子(自變數)個數，輸出層神經元節點數就是系統目標個數。隱層節點選按經驗選取，一般設為輸入層節點數的75%。如果輸入層有7個節點，輸出層1個節點，那麼隱含層可暫設為5個節點，即構成一個7-5-1 BP神經網路模型。在系統訓練時，實際還要對不同的隱層節點數4、5、6個分別進行比較，最後確定出最合理的網路結構。

②、初始權值的確定  初始權值是不應完全相等的一組值。已經證明，即便確定  存在一組互不相等的使系統誤差更小的權值，如果所設Wji的的初始值彼此相等，它們將在學習過程中始終保持相等。故而，在程序中，我們設計了一個隨機發生器程序，產生一組一0.5~+0.5的隨機數，作為網路的初始權值。

③、最小訓練速率  在經典的BP演算法中，訓練速率是由經驗確定，訓練速率越大，權重變化越大，收斂越快；但訓練速率過大，會引起系統的振盪，因此，訓練速率在不導致振盪前提下，越大越好。因此，在DPS中，訓練速率會自動調整，並盡可能取大一些的值，但用戶可規定一個最小訓練速率。該值一般取0.9。

④、動態參數  動態系數的選擇也是經驗性的，一般取0.6 ~0.8。

⑤、允許誤差  一般取0.001~0.00001，當2次迭代結果的誤差小於該值時，系統結束迭代計算，給出結果。

⑥、迭代次數  一般取1000次。由於神經網路計算並不能保證在各種參數配置下迭代結果收斂，當迭代結果不收斂時，允許最大的迭代次數。

⑦、Sigmoid參數 該參數調整神經元激勵函數形式，一般取0.9~1.0之間。

⑧、數據轉換。在DPS系統中，允許對輸入層各個節點的數據進行轉換，提供轉換的方法有取對數、平方根轉換和數據標准化轉換。

(4)loss設置為0時神經網路參數擴展閱讀：

神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。主要的研究工作集中在以下幾個方面：

1.生物原型

從生理學、心理學、解剖學、腦科學、病理學等方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。

2.建立模型

根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。

3.演算法

在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機模擬或准備製作硬體，包括網路學習演算法的研究。這方面的工作也稱為技術模型研究。

神經網路用到的演算法就是向量乘法，並且廣泛採用符號函數及其各種逼近。並行、容錯、可以硬體實現以及自我學習特性，是神經網路的幾個基本優點，也是神經網路計算方法與傳統方法的區別所在。

❺ sigmoidcrossentropyloss是怎麼計算的

如何在Caffe中配置每一個層的結構

最近剛在電腦上裝好Caffe，由於神經網路中有不同的層結構，不同類型的層又有不同的參數，所有就根據Caffe的說明文檔做了一個簡單的總結。

1. Vision Layers

2. 1.1 卷積層(Convolution)

3. 類型：CONVOLUTION

4. 例子

5. layers {

6. name: "conv1"

7. type: CONVOLUTION

8. bottom: "data"

9. top: "conv1"

10. blobs_lr: 1 # learning rate multiplier for the filters

11. blobs_lr: 2 # learning rate multiplier for the biases

12. weight_decay: 1 # weight decay multiplier for the filters

13. weight_decay: 0 # weight decay multiplier for the biases

14. convolution_param {

15. num_output: 96 # learn 96 filters

16. kernel_size: 11 # each filter is 11x11

17. stride: 4 # step 4 pixels between each filter application

18. weight_filler {

19. type: "gaussian" # initialize the filters from a Gaussian

20. std: 0.01 # distribution with stdev 0.01 (default mean: 0)

21. }

22. bias_filler {

23. type: "constant" # initialize the biases to zero (0)

24. value: 0

25. }

26. }

27. }

blobs_lr: 學習率調整的參數，在上面的例子中設置權重學習率和運行中求解器給出的學習率一樣，同時是偏置學習率為權重的兩倍。

weight_decay：

卷積層的重要參數

必須參數：

num_output (c_o)：過濾器的個數

kernel_size (or kernel_h and kernel_w)：過濾器的大小

可選參數：

weight_filler [default type: 'constant' value: 0]：參數的初始化方法

bias_filler：偏置的初始化方法

bias_term [default true]：指定是否是否開啟偏置項

pad (or pad_h and pad_w) [default 0]：指定在輸入的每一邊加上多少個像素

stride (or stride_h and stride_w) [default 1]：指定過濾器的步長

group (g) [default 1]: If g > 1, we restrict the connectivityof each filter to a subset of the input. Specifically, the input and outputchannels are separated into g groups, and the ith output group channels will beonly connected to the ith input group channels.

通過卷積後的大小變化：

輸入：n * c_i * h_i * w_i

輸出：n * c_o * h_o * w_o，其中h_o = (h_i + 2 * pad_h - kernel_h) /stride_h + 1，w_o通過同樣的方法計算。

1.2 池化層（Pooling）

類型：POOLING

例子

layers {

name: "pool1"

type: POOLING

bottom: "conv1"

top: "pool1"

pooling_param {

pool: MAX

kernel_size: 3 # pool over a 3x3 region

stride: 2 # step two pixels (in the bottom blob) between pooling regions

}

}

卷積層的重要參數

必需參數：

kernel_size (or kernel_h and kernel_w)：過濾器的大小

可選參數：

pool [default MAX]：pooling的方法，目前有MAX, AVE, 和STOCHASTIC三種方法

pad (or pad_h and pad_w) [default 0]：指定在輸入的每一遍加上多少個像素

stride (or stride_h and stride_w) [default1]：指定過濾器的步長

通過池化後的大小變化：

輸入：n * c_i * h_i * w_i

輸出：n * c_o * h_o * w_o，其中h_o = (h_i + 2 * pad_h - kernel_h) /stride_h + 1，w_o通過同樣的方法計算。

1.3 Local Response Normalization (LRN)

類型：LRN

Local ResponseNormalization是對一個局部的輸入區域進行的歸一化（激活a被加一個歸一化權重（分母部分）生成了新的激活b），有兩種不同的形式，一種的輸入區域為相鄰的channels（cross channel LRN），另一種是為同一個channel內的空間區域（within channel LRN）

計算公式：對每一個輸入除以

可選參數：

local_size [default 5]：對於cross channel LRN為需要求和的鄰近channel的數量；對於within channel LRN為需要求和的空間區域的邊長

alpha [default 1]：scaling參數

beta [default 5]：指數

norm_region [default ACROSS_CHANNELS]: 選擇哪種LRN的方法ACROSS_CHANNELS 或者WITHIN_CHANNEL

2. Loss Layers

深度學習是通過最小化輸出和目標的Loss來驅動學習。

2.1 Softmax

類型: SOFTMAX_LOSS

2.2 Sum-of-Squares / Euclidean

類型: EUCLIDEAN_LOSS

2.3 Hinge / Margin

類型: HINGE_LOSS

例子：

# L1 Norm

layers {

name: "loss"

type: HINGE_LOSS

bottom: "pred"

bottom: "label"

}

# L2 Norm

layers {

name: "loss"

type: HINGE_LOSS

bottom: "pred"

bottom: "label"

top: "loss"

hinge_loss_param {

norm: L2

}

}

可選參數：

norm [default L1]: 選擇L1或者 L2范數

輸入：

n * c * h * wPredictions

n * 1 * 1 * 1Labels

輸出

1 * 1 * 1 * 1Computed Loss

2.4 Sigmoid Cross-Entropy

類型：SIGMOID_CROSS_ENTROPY_LOSS

2.5 Infogain

類型：INFOGAIN_LOSS

2.6 Accuracy and Top-k

類型：ACCURACY

用來計算輸出和目標的正確率，事實上這不是一個loss，而且沒有backward這一步。

3. 激勵層（Activation / Neuron Layers）

一般來說，激勵層是element-wise的操作，輸入和輸出的大小相同，一般情況下就是一個非線性函數。

3.1 ReLU / Rectified-Linear and Leaky-ReLU

類型: RELU

例子:

layers {

name: "relu1"

type: RELU

bottom: "conv1"

top: "conv1"

}

可選參數：

negative_slope [default 0]:指定輸入值小於零時的輸出。

ReLU是目前使用做多的激勵函數，主要因為其收斂更快，並且能保持同樣效果。

標準的ReLU函數為max(x, 0)，而一般為當x > 0時輸出x，但x <= 0時輸出negative_slope。RELU層支持in-place計算，這意味著bottom的輸出和輸入相同以避免內存的消耗。

3.2 Sigmoid

類型: SIGMOID

例子:

layers {

name: "encode1neuron"

bottom: "encode1"

top: "encode1neuron"

type: SIGMOID

}

SIGMOID 層通過 sigmoid(x) 計算每一個輸入x的輸出，函數如下圖。

3.3 TanH / Hyperbolic Tangent

類型: TANH

例子:

layers {

name: "encode1neuron"

bottom: "encode1"

top: "encode1neuron"

type: SIGMOID

}

TANH層通過 tanh(x) 計算每一個輸入x的輸出，函數如下圖。

3.3 Absolute Value

類型: ABSVAL

例子:

layers {

name: "layer"

bottom: "in"

top: "out"

type: ABSVAL

}

ABSVAL層通過 abs(x) 計算每一個輸入x的輸出。

3.4 Power

類型: POWER

例子：

layers {

name: "layer"

bottom: "in"

top: "out"

type: POWER

power_param {

power: 1

scale: 1

shift: 0

}

}

可選參數：

power [default 1]

scale [default 1]

shift [default 0]

POWER層通過 (shift + scale * x) ^ power計算每一個輸入x的輸出。

3.5 BNLL

類型: BNLL

例子：

layers {

name: "layer"

bottom: "in"

top: "out"

type: BNLL

}

BNLL (binomial normal log likelihood) 層通過 log(1 + exp(x)) 計算每一個輸入x的輸出。

4. 數據層（Data Layers）

數據通過數據層進入Caffe，數據層在整個網路的底部。數據可以來自高效的資料庫（LevelDB 或者 LMDB），直接來自內存。如果不追求高效性，可以以HDF5或者一般圖像的格式從硬碟讀取數據。

4.1 Database

類型：DATA

必須參數：

source:包含數據的目錄名稱

batch_size:一次處理的輸入的數量

可選參數：

rand_skip:在開始的時候從輸入中跳過這個數值，這在非同步隨機梯度下降（SGD）的時候非常有用

backend [default LEVELDB]: 選擇使用 LEVELDB 或者 LMDB

4.2 In-Memory

類型: MEMORY_DATA

必需參數：

batch_size, channels, height, width: 指定從內存讀取數據的大小

The memory data layer reads data directly from memory, without ing it. In order to use it, one must call MemoryDataLayer::Reset (from C++) or Net.set_input_arrays (from Python) in order to specify a source of contiguous data (as 4D row major array), which is read one batch-sized chunk at a time.

4.3 HDF5 Input

類型: HDF5_DATA

必要參數：

source:需要讀取的文件名

batch_size：一次處理的輸入的數量

4.4 HDF5 Output

類型: HDF5_OUTPUT

必要參數：

file_name: 輸出的文件名

HDF5的作用和這節中的其他的層不一樣，它是把輸入的blobs寫到硬碟

4.5 Images

類型: IMAGE_DATA

必要參數：

source: text文件的名字，每一行給出一張圖片的文件名和label

batch_size: 一個batch中圖片的數量

可選參數：

rand_skip：在開始的時候從輸入中跳過這個數值，這在非同步隨機梯度下降（SGD）的時候非常有用

shuffle [default false]

new_height, new_width: 把所有的圖像resize到這個大小

4.6 Windows

類型：WINDOW_DATA

4.7 Dummy

類型：DUMMY_DATA

Dummy 層用於development 和debugging。具體參數DummyDataParameter。

5. 一般層（Common Layers）

5.1 全連接層Inner Proct

類型：INNER_PRODUCT

例子：

layers {

name: "fc8"

type: INNER_PRODUCT

blobs_lr: 1 # learning rate multiplier for the filters

blobs_lr: 2 # learning rate multiplier for the biases

weight_decay: 1 # weight decay multiplier for the filters

weight_decay: 0 # weight decay multiplier for the biases

inner_proct_param {

num_output: 1000

weight_filler {

type: "gaussian"

std: 0.01

}

bias_filler {

type: "constant"

value: 0

}

}

bottom: "fc7"

top: "fc8"

}

必要參數：

num_output (c_o)：過濾器的個數

可選參數：

weight_filler [default type: 'constant' value: 0]：參數的初始化方法

bias_filler：偏置的初始化方法

bias_term [default true]：指定是否是否開啟偏置項

通過全連接層後的大小變化：

輸入：n * c_i * h_i * w_i

輸出：n * c_o * 1 *1

5.2 Splitting

類型：SPLIT

Splitting層可以把一個輸入blob分離成多個輸出blobs。這個用在當需要把一個blob輸入到多個輸出層的時候。

5.3 Flattening

類型：FLATTEN

Flattening是把一個輸入的大小為n * c * h * w變成一個簡單的向量，其大小為 n * (c*h*w) * 1 * 1。

5.4 Concatenation

類型：CONCAT

例子：

layers {

name: "concat"

bottom: "in1"

bottom: "in2"

top: "out"

type: CONCAT

concat_param {

concat_dim: 1

}

}

可選參數：

concat_dim [default 1]：0代表鏈接num，1代表鏈接channels

通過全連接層後的大小變化：

輸入：從1到K的每一個blob的大小n_i * c_i * h * w

輸出：

如果concat_dim = 0: (n_1 + n_2 + + n_K) *c_1 * h * w，需要保證所有輸入的c_i 相同。

如果concat_dim = 1: n_1 * (c_1 + c_2 + +c_K) * h * w，需要保證所有輸入的n_i 相同。

通過Concatenation層，可以把多個的blobs鏈接成一個blob。

5.5 Slicing

The SLICE layer is a utility layer that slices an input layer to multiple output layers along a given dimension (currently num or channel only) with given slice indices.

5.6 Elementwise Operations

類型：ELTWISE

5.7 Argmax

類型：ARGMAX

5.8 Softmax

類型：SOFTMAX

5.9 Mean-Variance Normalization

類型：MVN

6. 參考

Caffe

❻ CS1.5中的loss和choke設置問題導致彈道不穩

512M寬頻。。。。我暈無語了，一下網速慢了512倍能不卡？
不過你那兩個設置，我設置的都是30，這樣PING能減少10-20，感覺彈道也穩定了些

❼ 深度神經網路dnn怎麼調節參數

深度神經網路（DNN）目前是許多現代AI應用的基礎。
自從DNN在語音識別和圖像識別任務中展現出突破性的成果，使用DNN的應用數量呈爆炸式增加。這些DNN方法被大量應用在無人駕駛汽車，癌症檢測，游戲AI等方面。
在許多領域中，DNN目前的准確性已經超過人類。與早期的專家手動提取特徵或制定規則不同，DNN的優越性能來自於在大量數據上使用統計學習方法，從原始數據中提取高級特徵的能力，從而對輸入空間進行有效的表示。

然而，DNN超高的准確性是以超高的計算復雜度為代價的。
通常意義下的計算引擎，尤其是GPU，是DNN的基礎。因此，能夠在不犧牲准確性和增加硬體成本的前提下，提高深度神經網路的能量效率和吞吐量的方法，對於DNN在AI系統中更廣泛的應用是至關重要的。研究人員目前已經更多的將關注點放在針對DNN計算開發專用的加速方法。
鑒於篇幅，本文主要針對論文中的如下幾部分詳細介紹：
DNN的背景，歷史和應用
DNN的組成部分，以及常見的DNN模型
簡介如何使用硬體加速DNN運算
DNN的背景
人工智慧與深度神經網路

深度神經網路，也被稱為深度學習，是人工智慧領域的重要分支，根據麥卡錫（人工智慧之父）的定義，人工智慧是創造像人一樣的智能機械的科學工程。深度學習與人工智慧的關系如圖1所示：

圖1：深度神經網路與人工智慧的關系
人工智慧領域內，一個大的子領域是機器學習，由Arthur Samuel在1959年定義為：讓計算機擁有不需要明確編程即可學習的能力。
這意味著創建一個程序，這個程序可以被訓練去學習如何去做一些智能的行為，然後這個程序就可以自己完成任務。而傳統的人工啟發式方法，需要對每個新問題重新設計程序。
高效的機器學習演算法的優點是顯而易見的。一個機器學習演算法，只需通過訓練，就可以解決某一領域中每一個新問題，而不是對每個新問題特定地進行編程。
在機器學習領域，有一個部分被稱作brain-inspired computation。因為人類大腦是目前學習和解決問題最好的「機器」，很自然的，人們會從中尋找機器學習的方法。
盡管科學家們仍在探索大腦工作的細節，但是有一點被公認的是：神經元是大腦的主要計算單元。
人類大腦平均有860億個神經元。神經元相互連接，通過樹突接受其他神經元的信號，對這些信號進行計算之後，通過軸突將信號傳遞給下一個神經元。一個神經元的軸突分支出來並連接到許多其他神經元的樹突上，軸突分支和樹突之間的連接被稱為突觸。據估計，人類大腦平均有1014-1015個突觸。
突觸的一個關鍵特性是它可以縮放通過它的信號大小。這個比例因子可以被稱為權重（weight），普遍認為，大腦學習的方式是通過改變突觸的權重實現的。因此，不同的權重導致對輸入產生不同的響應。注意，學習過程是學習刺激導致的權重調整，而大腦組織（可以被認為是程序）並不改變。
大腦的這個特徵對機器學習演算法有很好的啟示。
神經網路與深度神經網路

神經元的計算是輸入值的加權和這個概念啟發了神經網路的研究。這些加權和對應於突觸的縮放值以及神經元所接收的值的組合。此外，神經元並不僅僅是輸入信號的加權和，如果是這樣的話，級聯的神經元的計算將是一種簡單的線性代數運算。
相反的是，神經元組合輸入的操作似乎是一種非線性函數，只有輸入達到某個閾值的時候，神經元才會生成輸出。因此，通過類比，我們可以知道神經網路在輸入值的加權和的基礎上應用了非線性函數。
圖2（a）展示了計算神經網路的示意圖，圖的最左邊是接受數值的「輸入層」。這些值被傳播到中間層神經元，通常也叫做網路的「隱藏層」。通過一個或更多隱藏層的加權和最終被傳播到「輸出層」，將神經網路的最終結果輸出給用戶。

圖2：神經網路示意圖

在神經網路領域，一個子領域被稱為深度學習。最初的神經網路通常只有幾層的網路。而深度網路通常有更多的層數，今天的網路一般在五層以上，甚至達到一千多層。
目前在視覺應用中使用深度神經網路的解釋是：將圖像所有像素輸入到網路的第一層之後，該層的加權和可以被解釋為表示圖像不同的低階特徵。隨著層數的加深，這些特徵被組合，從而代表更高階的圖像特徵。
例如，線可以被組合成形狀，再進一步，可以被組合成一系列形狀的集合。最後，再訓練好這些信息之後，針對各個圖像類別，網路給出由這些高階特徵組成各個對象的概率，即分類結果。
推理（Inference）與訓練（Training）
既然DNN是機器學習演算法中的一員，那麼它的基本編程思想仍然是學習。DNN的學習即確定網路的權重值。通常，學習過程被稱為訓練網路（training）。一旦訓練完成，程序可以使用由訓練確定的權值進行計算，這個使用網路完成任務的操作被被稱為推斷（inference）。
接下來，如圖3所示，我們用圖像分類作為例子來展示如何訓練一個深度神經網路。當我們使用一個DNN的時候，我們輸入一幅圖片，DNN輸出一個得分向量，每一個分數對應一個物體分類；得到最高分數的分類意味著這幅圖片最有可能屬於這個分類。
訓練DNN的首要目標就是確定如何設置權重，使得正確分類的得分最高（圖片所對應的正確分類在訓練數據集中標出），而使其他不正確分類的得分盡可能低。理想的正確分類得分與目前的權重所計算出的得分之間的差距被稱為損失函數（loss）。
因此訓練DNN的目標即找到一組權重，使得對一個較大規模數據集的loss最小。

圖3：圖像分類

權重（weight）的優化過程類似爬山的過程，這種方法被稱為梯度下降（gradient decent）。損失函數對每個權值的梯度，即損失函數對每個權值求偏導數，被用來更新權值（例：第t到t+1次迭代：，其中α被稱為學習率（Learning rate）。梯度值表明權值應該如何變化以減小loss。這個減小loss值的過程是重復迭代進行的。
梯度可以通過反向傳播（Back-Propagation）過程很高效地進行計算，loss的影響反向通過網路來計算loss是如何被每個權重影響的。
訓練權重有很多種方法。前面提到的是最常見的方法，被稱為監督學習，其中所有的訓練樣本是有標簽的。
無監督學習是另一種方法，其中所有訓練樣本都沒有標簽，最終目標是在數據中查找結構或聚類。半監督學習結合了兩種方法，只有訓練數據的一小部分被標記（例如，使用未標記的數據來定義集群邊界，並使用少量的標記數據來標記集群）。
最後，強化學習可以用來訓練一個DNN作為一個策略網路，對策略網路給出一個輸入，它可以做出一個決定，使得下一步的行動得到相應的獎勵;訓練這個網路的過程是使網路能夠做出使獎勵（即獎勵函數）最大化的決策，並且訓練過程必須平衡嘗試新行為（Exploration）和使用已知能給予高回報的行為（Exploitation）兩種方法。

用於確定權重的另一種常用方法是fine-tune，使用預先訓練好的模型的權重用作初始化，然後針對新的數據集（例如，傳遞學習）或新的約束（例如，降低的精度）調整權重。與從隨機初始化開始相比，能夠更快的訓練，並且有時會有更好的准確性。

❽ 神經網路訓練loss收斂的問題

這個問題比較泛，因為網路的損失函數是由自己設計的，如果不特殊說明一般是有均方誤差和交叉熵兩種損失函數的。其中均方誤差當然就是指的輸出與標簽的差的平方和的平均，計算方式如下： 而交叉熵則是為了防止網路在訓練後期遲緩而提出的一種損失函數，計算方式如下：

❾ matlab做神經網路默認的loss是什麼

新建newff
newff函數的格式為：
net=newff(PR,[S1 S2 ...SN],{TF1 TF2...TFN},BTF,BLFPF），函數newff建立一個可訓練的前饋網路。輸入參數說明：
PR：Rx2的矩陣以定義R個輸入向量的最小值和最大值；
Si：第i層神經元個數；
TFi：第i層的傳遞函數，默認函數為tansig函數；
BTF：訓練函數，默認函數為trainlm函數；
BLF：權值/閥值學習函數，默認函數為learngdm函數；
PF：性能函數，默認函數為mse函數。

其中TF對應的就是各層的激勵函數 可以自己更改