Perte

term_id: loss

Category: training_techniques

Definition

Les fonctions de perte, également appelées fonctions de coût, mesurent la qualité de l’adéquation entre les prédictions d’un modèle d’apprentissage automatique et la vérité terrain pendant l’entraînement. L’objectif de l’algorithme d’optimisation est de minimiser cette

Summary

Une valeur numérique qui quantifie l’erreur entre les prédictions d’un modèle et les valeurs cibles réelles.

Key Concepts

  • Fonction de coût
  • Optimisation
  • Descente de gradient
  • Métrique d’erreur

Use Cases

  • Entraînement de classificateurs d’images
  • Optimisation de modèles de régression
  • Évaluation de la convergence du modèle

Code Example

1
2
3

import torch.nn as nn
criterion = nn.CrossEntropyLoss()
loss = criterion(outputs, targets)

Related