一、损失函数
损失函数，用来衡量预测值和真实值之间的区别。
1、均方损失（L2 Loss）
横坐标应该是y-y'。蓝色曲线是：真实值y不变时，变化预测值y'的曲线，是一个二次函数。绿色是它的似然函数，是一个高斯分布。橙色线是损失函数的梯度，是个过原点的直线。
箭头长度是下降的快不快。图中可以看出L2 Loss损失函数的特点，当离极值点较远的时候，其以较大的梯度绝对值下降；当靠近我们的极值点时它的梯度变得很小。当然也有它不足的地方，就是当离极值点很远的时候，它的梯度很大，离原点较远的时候，我们可能不需要那么大的梯度。
最小化损失，等价于最大化似然函数
2、绝对值损失函数（L1 Loss）
这个损失函数的特点是，当预测值跟真实值较远时，不管多远，梯度永远是常数，就断隔得很远，权重更新也不会特别大，会带来一些稳定性上的好处。缺点是零点处不可导；还有梯度在-1和1之间的剧烈变化，这个不平滑性，导致优化末期不太稳定。
3、Huber's Robust Loss
结合L1 Loss和L2 Loss的好处。
二、激活函数
激活函数的本质就是把线性变成非线性。
（1）sigmoid激活函数
（2）Tanh函数
（3）ReLU激活函数
最常用的。（其实效果差不多，但是算起来很快，不用进行指数运算）
