Caffe学习（六）损失层及其参数设置_caffe训练分类模型的损失大小

机器学习的目的就是通过对训练样本输出与真实值不一致的进行惩罚，得到损失Loss，然后采用一定的优化算法对loss进行最小优化，进而得到合理的网络权值。本文介绍Caffe中含有的常见的LossLayer及其参数设置方法

Caffe的LossLayer主要由6个：

（1）ContrastiveLossLayer

对比损失函数主要用来训练siamese网络，改网络为专门处理同时输入两张图像的网络，如用于FaceVerification的DeepID网络。在改网络的最后需要对比两张图像是否为一张人脸，因此需要一个对比损失函数。目标检测暂时不会用到

(2)EuclideanLossLayer

适合回归任务，尤其输出值为实数时。

输入blob向量：长度为2，两个（N，C，H，W）维的prediction与groundTruth blob，N张图像，在这里的CHW应该都是1.

输出blob：预测值与真实值的均方误差E，实数

(3)HingeLossLayer

按损失函数，适用于多分类任务。

输入blob向量：长度为2，包括

                      预测的s