页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「梯度特性」找到 2 条内容
按专题浏览 →匹配题目：均方误差（MSE）与交叉熵损失函数在数学定义、适用任务和梯度特性上有何本质区别？为什么在大语言模型的预训练和微调中普遍采用交叉熵而非MSE作为损失函数？
匹配口述回答：…类别数特别多，计算量怎么优化，或者样本不平衡时怎么调整损失。 所以我会把交叉熵看成逻辑回归的默认选择，它跟sigmoid天然配对，梯度特性好，又有概率解释。但在真实业务里，我会根据误判成本、样本分布做调整，不会无脑套公式。 一句话定位：损失函数本质是让模型输出概率尽量贴近真实，设计动机来自极大似然估计 数学表达式与直观理解：分情况写，y=1时希望预测概率大，y=0时希望小 对比MSE：sigmoid饱和导致梯度消失，交叉熵梯度非饱和，学习信号强 业务落地：比如客服退款场景，误…
学习内容与项目面试，在同一条路上。