卷積神經網路（CNN）是深度學習中學習特徵能力最強的網路。卷積神經網路學習特徵的關鍵是Loss函式。這個函式決定了神經網路是到底能夠學習什麼樣的特徵。

卷積神經網路經過層層學習，最後的終點就是loss層。Loss 層接受兩個輸入值，其中一個是CNN的學習結果，另一個是真實的標籤值。損失層則將這兩個輸入進行一系列運算，得到當前網路的損失函式（Loss Function），一般記做L(θ）其中θ是當前網路權值構成的向量空間。機器學習的目的是在權值空間中找到讓損失函式L(θ） 最小的權值θ（opt），可以採用一系列最最佳化方法（如SGD方法）逼近權值θ（opt）。

因此，Loss函式就是就是CNN學習的關鍵。那CNN是怎樣學習不同特徵的呢？

Loss函式主要可以分為兩類，這也代表了兩類特徵的學習，一類是迴歸，另外一類是分類。

1.迴歸學習

迴歸學習就是要學習資料中具體的數值進行預測。那學習的特徵比如用在圖片領域，包括了圖片的紋理，圖案等內容。這類學習可以應用在圖片的降噪、圖片的美化、圖片的去霧霾、圖片的去馬賽克等等。

迴歸學習的Loss函式常用絕對誤差，包括mean_absolute_error，mean_squared_error，explained_variance_score等。

2.分類學習

分類學習就是要預測結果屬於哪一種類別，也稱為邏輯迴歸。那學習的特徵主要包括模式識別、語義識別等等。這類學習的應用非常廣闊，包括了疾病的判斷，人臉的識別，車輛的識別，信用風險，自動駕駛等等。

邏輯迴歸的Loss函式常用交叉熵，包括softamx cross entropy，Binary Crossentropy等。