哈囉大家～我們今天把最後的損失跟優化函數講完。這章節聽完的讀者，不一定要侷限RL，學到的知識也可以放在其他影像辨識專案上，官網提供了些範例程式碼，有空就去晃晃吧～傳送門

損失函數

損失函數是神經網路定義要收斂的對象函數。因為龐大的參數節點，可以擬合任意函數，我們可以不用知道權重跟bias的值明確要設多少，但可以靠反向傳播做梯度下降，讓函數逐步收斂，直到逼近最低點(global minimum)。這裡我們用均方差，差值做平方，加總再除於總樣本數量。

無法把loss明確定義，那就等於無法擬合函數，實際的loss function設計要看你想做什麼事情，以前筆者做OCR檢測，其中的損失函數有摻雜機率學理論，至於其他的損失函數則可參考 https://keras.io/losses/#usage-of-loss-functions ，但讀者也不需要看到公式就嚇得趕緊關掉電腦，馬上躲進棉被裡，很多損失函數很直覺的(和藹的)，例如剛介紹的均方差，以及視覺辨識常用到的IOU(https://www.pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/)。
這邊做補充，我們之前介紹的q估計跟q現實就是裡面y值跟y-hat值，兩個差異最小化，就是我們期望能收斂的Q-function。

優化函數

網路模型在學習的時候會有α值叫學習率，它是負責控制梯度的收斂程度，如果單次更新α值過高，收斂方向的速度就會變快，你說越快不是越好嗎？不一定，梯度下降的收斂過程就像走小山丘，太大會暴衝會不穩，太小收斂會太慢，或是卡在局部解(local minimum)而跨不出來了。為了讓α更smart，就會採取像Adam的優化函數來控制α。

結語

讀者可先了解概念跟重要參數，對於底層不理解一開始不用太糾結。由淺至深慢慢學習，對於概念懂了就會想懂原理，原理了解會想手算，手算完如果能舉一反三會更有成就感。身旁或許沒有大牛(像李弘毅老師)，不過筆者推薦NNDesign，原理介紹很清楚還搭配紮實的課堂練習。好哩今天介紹到這，大家明天見拉～