5.2　编码实现损失度并进行测试

首先讲解人工智能神经网络损失度的计算方法。

损失度的计算方法一：把每个实例的预测值减去实际值然后进行累加，累加完毕后除以所有的实例的个数。

方法一的优点：容易理解，是最简单的损失度计算方法。

方法一的缺点：假设实例集第1个实例[0,0]预测结果的误差是0.3，第2个实例[0,1]预测结果的误差是–0.5，第3个实例[1,0]预测结果的误差是0.2，第4个实例[1,1]预测结果的误差是0，整个实例集的总误差是0.3 +（–0.5）+ 0.2 + 0=0，而0表示没误差，但实际上预测结果肯定有误差。因此，方法一不具有实用价值，也没有一个人工智能框架采用这种算法。

损失度的计算方法二：把每个实例的预测值减去实际值并求绝对值，然后将绝对值进行累加，再除以实例的个数。方法一的缺点是不同的误差计算结果可能相互影响，例如0.3+（–0.5）+ 0.2 + 0将总误差变成0了。预测值和实际值之间的误差没有所谓的正负之分。为了避免方法一的弊端，计算距离最简单的方法就是计算绝对值。

方法二的优点：真实反馈出预测值和实际值的差异。

方法二的缺点：收敛过程可能很慢。

损失度的计算方法三：把每个实例的预测值减去实际值并求平方，然后将平方值进行累加，再除以实例的个数。

方法二的绝对值已能真实反映出预测值和实际值的误差，为什么还要进行平方计算？因为平方计算能将误差放大，大的变得更大，小的变得更小。例如，如果两个误差值分别为0.1、10，将二者的误差分别求平方，得到的误差值为0.01、100，误差放大了1万倍。误差放大的好处是收敛速度更快。如果不能夸大反馈误差，那么系统每次计算的误差会很小，进行梯度计算的时候，改变量也很小，收敛的速度就很慢。不过夸大误差，理论上也可能过犹不及，步子跨得太大了，也可能犯错，这也是以后延伸出其他误差算法的原因。

方法三的缺点：当数据量很大的时候，会导致很大的计算量；有些计算是不必要的，这和梯度下降有关，如预测值和实际值的误差在0.0001之内，就不需要再进行计算，而有些误差很大，就很有必要计算。

损失度的计算方法四：采用样本方差的方式，该方法适合数据量比较大的情况。

方法四的优点：当数据量较大时，样本方差估计值接近于所估计的总体参数，趋近于实际分布。

方法四的缺点：数据量较小时，样本方差估计会出现偏差。

本节我们采用方法三，使用平方误差计算，因为实例集只有4条数据，没必要使用样本方差来计算。首先在service目录中创建LossComputation.py文件，在文件中创建一个类LossComputation。然后在类LossComputation中定义compute_loss方法计算损失度，compute_loss的第1个参数是所有的实例集；第2个参数是所有的节点，第3个参数是所有的权重。通过循环遍历所有的实例，计算预测值和实际值的误差平方和，然后除以实例的个数，得到损失度。

chapter5_Create_AI_Framework的LossComputation.py代码如下：

接下来在chapter4_Create_AI_Framework入口程序Neuron_Network_Entry.py的基础上修改代码，新增计算误差的代码。运行10 000个时代，每100个时代打印一次误差，并且通过可视化图显示损失度。

chapter5_Create_AI_Framework的Neuron_Network_Entry.py代码如下：

我们看一下如何使用matplotlib.pyplot库绘制图形。

导入Python绘图工具库matplotlib.pyplot，在Spyder集成开发环境中按Ctrl+I键查看plt的帮助信息。

在pyplot帮助信息中提供的可视化示例代码如下：

其中x是0～5间隔为0.1的数组[0,0.1,0.2,…,4.9]，y是sin(x)经过正弦计算后的值，绘制的图形如图5-5所示。

接下来绘制盘古人工智能框架损失度可视化图。

Neuron_Network_Entry.py的代码如下：