上一节介绍了训练的过程，一个模型在训练的过程中，每一轮训练数据计算到到最后一层时，都会输出本轮的预测值，那么如何将本轮的预测值与标签中的真实值进行对比呢？

这就要用到损失函数（Loss function）。

什么是损失函数

损失函数是用来衡量模型预测结果与真实标签（ground truth）之间差别的函数。

一般而言，损失函数会接收两个输入，一个是本轮的预测值，另一个是标签的真实值，通过一定的算法来将预测值和真实值之间的差别计算出来。

损失函数的输出被定义为loss值，Loss值越大，说明预测值与真实值之间的差别越大。

因此每轮迭代的目的就是为了降低loss值，直到将loss值降低到为零，或者接近零。如此一来就说明模型训练收敛，训练过程也就结束了，这便是损失函数的作用。

loss值降低曲线

之所以损失函数需要输出一个loss值，是因为在每次迭代时我们需要一个可见的参数来衡量结果。

试想一下，如果没有loss值，我们是没有办法在训练的过程中将训练程序突然停掉保存中间参数，还有办法来衡量已经训练的模型到底收敛到什么程度了的。

除此之外，损失函数还有其他的几个作用。

1. 因为损失函数反映了模型的预测能力，lo