mnist模型由Matlab绘制Accuracy和Loss曲线，并生成gif动态图

使用特征学习的主要挑战之一深度卷积神经网络（DCNN）用于大规模人脸识别是适度损失的设计可以增强判别力的功能。中央损失会惩罚深层特征之间的距离他们相应的班级中心在欧几里得空间实现类内的紧凑性。 SphereFace假设最后完全连接的线性变换矩阵层可以用作类的表示在角度空间中居中并因此惩罚角度在深层特征及其相应权重之间以乘法的方式最近，热门研究将保证金纳入公认的亏损函数为了最大化人脸分类的可分离性。在本文中，我们提出了一个附加的角余量损失（ArcFace）获得用于面部识别的高度区分性功能。拟议的ArcFace具有清晰的几何解释由于它与测地距离精确对应在超球上。我们可以说是最广泛的针对所有最新技术的实验评估十种面部识别基准的面部识别方法其中包括一个新的大型图像数据库拥有成千上万的货币对和大规模的视频数据集。我们表明ArcFace的性能始终优于且可以通过微不足道的计算轻松实现高架。

在win7 64位，Anaconda安装的Python3.6.1下安装的TensorFlow与Keras，Keras的backend为TensorFlow。在运行Mask R-CNN时，在进行调试时想知道PyCharm (Python IDE)底部窗口输出的Loss格式是在哪里定义的，如下图红框中所示： 图1 训练过程的Loss格式化输出 在上图红框中，Loss的输出格式是在哪里定义的呢？有一点是明确的，即上图红框中的内容是在训练的时候输出的。那么先来看一下Mask R-CNN的训练过程。Keras以Numpy数组作为输入数据和标签的数据类型。训练模型一般使用 fit 函数。然而由于Mask

在keras的loss库中添加rmse方法，成功使模型能正常使用rmse方法。在metrics.py文件上添加rmse方法后可以使用model.compile(loss='mse'，weighted_metrics=['rmse'])方法，可以在其他loss的条件下观测rmse的变化

具有三重态焦点损失的人员重新识别

机器学习中经典的优化算法，让loss快速达到更小，本代码在minist数据集测试分类算法，取得很好的结果。

Numerical simulation of low repetition rate subnanosecond laser based on dual-loss-modulation

L1 LOSS -- EIoU loss

Single-Mode Fiber with Ultra-Low-Loss and Large-Effective-Area.

Research on the Small-size Ultra-low Bending Loss Optical Fibers