Hàm mất mát: MSE, MAE và cross-entropy

Hàm mất mát biến các sai sót của mô hình thành một con số cần làm nhỏ nhất. Hãy cài đặt compute_loss(kind, predictions, targets) cho ba hàm mất mát phổ biến, với n là số dự đoán:

• "mse" (sai số bình phương trung bình): trung bình của (p - t)²
• "mae" (sai số tuyệt đối trung bình): trung bình của |p - t|
• "binary_cross_entropy": -trung bình của [t × ln(p) + (1 - t) × ln(1 - p)]. Trước tiên hãy giới hạn mỗi dự đoán p trong khoảng [0.0000001, 0.9999999] để không bao giờ tính ln(0).

Đầu vào

kind: "mse", "mae" hoặc "binary_cross_entropy".

predictions: Các dự đoán của mô hình.

targets: Các giá trị đúng (cùng độ dài). Với cross-entropy, chúng là 0 hoặc 1 và dự đoán nằm trong khoảng 0 đến 1.

Đầu ra

Trả về giá trị mất mát dưới dạng số thực.

Ràng buộc

1 ≤ độ dài ≤ 1.000

-1.000 ≤ mỗi giá trị ≤ 1.000 (với cross-entropy: 0 ≤ p ≤ 1 và t ∈ {0, 1})

Ví dụ

Đầu vào:
kind = "mse"
targets = [3.0, -0.5, 2.0]
predictions = [2.5, 0.0, 2.0]

Kết quả mong đợi:
expected = 0.166667

Đầu vào:
std::string kind = "mse";
std::vector<double> targets = {3.0, -0.5, 2.0};
std::vector<double> predictions = {2.5, 0.0, 2.0};

Kết quả mong đợi:
double expected = 0.166667;

Đầu vào:
string kind = "mse";
double[] targets = new double[] {3.0, -0.5, 2.0};
double[] predictions = new double[] {2.5, 0.0, 2.0};

Kết quả mong đợi:
double expected = 0.166667;

Đầu vào:
kind = "binary_cross_entropy"
targets = [1.0, 0.0]
predictions = [0.9, 0.2]

Kết quả mong đợi:
expected = 0.164252

Đầu vào:
std::string kind = "binary_cross_entropy";
std::vector<double> targets = {1.0, 0.0};
std::vector<double> predictions = {0.9, 0.2};

Kết quả mong đợi:
double expected = 0.164252;

Đầu vào:
string kind = "binary_cross_entropy";
double[] targets = new double[] {1.0, 0.0};
double[] predictions = new double[] {0.9, 0.2};

Kết quả mong đợi:
double expected = 0.164252;

Tham khảo

Thử thách này đã được điều chỉnh cho CodeUtility. Hãy làm theo đề bài và các ràng buộc ở trên.

• Goodfellow, Bengio and Courville, Deep Learning
• Michael Nielsen, Neural Networks and Deep Learning