Função de perda

Uma função de perda, também conhecida como função de custo ou função objetivo, é um componente fundamental na aprendizagem automática (ML) e na aprendizagem profunda (DL). Quantifica a diferença - ou "perda" - entre a saída prevista de um modelo e o rótulo real da verdade terrestre para um determinado dado. O valor calculado pela função de perda serve como uma medida do fraco desempenho do modelo. O objetivo principal durante o processo de formação do modelo é minimizar este valor, melhorando assim a precisão e o desempenho do modelo.

Como funcionam as funções de perda

Durante cada iteração de treinamento, o modelo processa um lote de dados de treinamento e faz previsões. A função de perda compara então essas previsões com os rótulos verdadeiros. Um valor de perda mais elevado indica uma maior discrepância e uma maior necessidade de correção, enquanto um valor de perda mais baixo significa que as previsões do modelo estão mais próximas dos valores reais.

Este valor de perda é crucial porque fornece o sinal necessário para o modelo aprender. Este sinal é utilizado por um algoritmo de otimização, como o Stochastic Gradient Descent (SGD), para ajustar os parâmetros internos do modelo, ou pesos do modelo. O processo de retropropagação calcula o gradiente da função de perda em relação a esses pesos, indicando a direção em que os pesos devem ser ajustados para reduzir a perda. Este processo iterativo de cálculo da perda e atualização dos pesos permite ao modelo convergir gradualmente para um estado em que pode fazer previsões altamente precisas.

Tipos comuns de funções de perda

A escolha da função de perda depende em grande medida da tarefa específica que o modelo foi concebido para resolver. Problemas diferentes requerem formas diferentes de medir o erro. Alguns tipos comuns incluem:

• Erro quadrático médio (MSE): Uma função de perda popular para tarefas de regressão, em que o objetivo é prever um valor numérico contínuo. Calcula a média dos quadrados das diferenças entre os valores previstos e reais.
• Perda de entropia cruzada: Amplamente utilizada para tarefas de classificação de imagens. Mede o desempenho de um modelo de classificação cuja saída é um valor de probabilidade entre 0 e 1. É eficaz quando se treinam modelos para distinguir entre várias classes, como a classificação de imagens no conjunto de dados ImageNet.
• Perda de Intersecção sobre União (IoU): As variantes de IoU são essenciais para tarefas de deteção de objectos. Estas funções de perda, tais como GIoU, DIoU e CIoU, medem a discrepância entre a caixa delimitadora prevista e a caixa da verdade terrestre. São essenciais para o treino de detectores de objectos precisos, como o Ultralytics YOLO11.
• Perda de dados: Normalmente utilizada na segmentação de imagens, especialmente na análise de imagens médicas, para medir a sobreposição entre máscaras de segmentação previstas e reais. É particularmente útil para lidar com o desequilíbrio de classes.

Aplicações no mundo real

As funções de perda estão no centro do treino de praticamente todos os modelos de aprendizagem profunda.

1. Veículos autónomos: No desenvolvimento de veículos autónomos, os modelos de deteção de objectos são treinados para identificar peões, outros carros e sinais de trânsito. Durante o treino, uma função de perda combina vários componentes: uma parte calcula o erro na classificação de cada objeto (por exemplo, carro vs. peão), enquanto outra parte, frequentemente uma perda baseada em IoU, calcula o erro na localização da caixa delimitadora do objeto. A minimização desta perda combinada ajuda a criar modelos robustos para uma navegação segura, um componente essencial da IA em soluções automóveis.
2. Diagnóstico médico: Na IA nos cuidados de saúde, modelos como a U-Net são treinados para segmentação semântica para identificar tumores em exames médicos. Uma função de perda, como a perda de dados ou uma combinação de entropia cruzada e perda de dados, é utilizada para comparar a máscara de tumor prevista pelo modelo com a máscara anotada por um radiologista. Ao minimizar essa perda em um conjunto de dados de imagens médicas, o modelo aprende a delinear com precisão as regiões patológicas, auxiliando em diagnósticos mais rápidos e precisos.

Relação com outros conceitos-chave

É importante distinguir as funções de perda de outros conceitos relacionados com o ML.

• Função de perda vs. métrica de avaliação: Esta é uma distinção crucial. As funções de perda são utilizadas durante a formação para orientar o processo de otimização. Têm de ser diferenciáveis para permitir a aprendizagem baseada em gradientes. Em contraste, as métricas de avaliação como a Exatidão, a Precisão, a Recuperação e a Precisão Média Média (mAP) são utilizadas após a formação (em dados de validação ou dados de teste) para avaliar o desempenho de um modelo no mundo real. Embora uma perda menor geralmente se correlacione com melhores pontuações de métricas, elas têm finalidades diferentes. Pode saber mais sobre métricas de desempenho no nosso guia.
• Função de perda vs. Algoritmo de otimização: A função de perda define o objetivo - o que precisa ser minimizado. O algoritmo de otimização, como o otimizador Adam, define o mecanismo - como minimizar a perda atualizando os pesos do modelo com base nos gradientes calculados e na taxa de aprendizado.
• Sobreajuste e subajuste: A monitorização da perda nos conjuntos de treino e validação é fundamental para diagnosticar estes problemas comuns. É provável que ocorra sobreajuste se a perda de treinamento continuar a diminuir enquanto a perda de validação começa a aumentar. O subajuste é indicado por valores altos de perda em ambos os conjuntos. Essas informações são discutidas em guias como Dicas para treinamento de modelos.

Compreender as funções de perda é essencial para qualquer pessoa envolvida na construção e treino de modelos de IA. Plataformas como o Ultralytics HUB abstraem grande parte desta complexidade, tratando automaticamente da implementação e otimização da função de perda, o que torna mais acessível a criação de modelos avançados de visão por computador (CV).