二值交叉熵损失

二值交叉熵损失（Binary Cross Entropy Loss）是一种常用的损失函数，常用于二分类问题中。其定义如下：

$$ L=-\frac{1}{N}\sum_{i=1}^{N}[y_i\log(\hat{y_i})+(1-y_i)\log(1-\hat{y_i})] $$

其中，$N$是样本数量，$y_i$是样本$i$的真实标签，$\hat{y_i}$是样本$i$的预测标签。

二值交叉熵损失函数主要用于衡量分类模型的预测值与真实值之间的差异。当预测值与真实值相同时，损失函数的值最小为0；当预测值与真实值不同时，损失函数的值会增大。因此，通过最小化二值交叉熵损失函数，可以使模型的预测结果更加接近真实值。