# 4️⃣ Loss Function

### 1. Loss Function là gì? (góc nhìn ứng dụng)

**Loss Function** là:

* Một **hàm đo sai số**
* So sánh:
  * **Kết quả mô hình dự đoán**
  * với **giá trị đúng (ground truth)**

👉 Loss trả lời đúng **một câu duy nhất**:

> *“Dự đoán này sai bao nhiêu?”*

***

### 2. Loss khác Accuracy ở điểm nào? (rất hay nhầm)

#### 🔹 Accuracy

* Đúng / sai
* Dùng để **đánh giá cuối cùng**
* Không dùng để học

#### 🔹 Loss

* Sai **nhiều hay ít**
* Có **độ lớn liên tục**
* Dùng để **huấn luyện mô hình**

Ví dụ:

* Dự đoán 0.51 thay vì 0.99 (label = 1)
* Accuracy: vẫn là **sai**
* Loss: **sai ít hơn** so với 0.1

👉 **Mô hình học bằng loss, không học bằng accuracy**

***

### 3. Trực giác rất quan trọng: Loss là “la bàn”

Bạn có thể hình dung:

* Loss giống như:
  * Thước đo
  * La bàn
  * Điểm báo sai

Nếu:

* Loss lớn → mô hình đang “đi sai đường”
* Loss nhỏ → mô hình đang “đi đúng hướng”

👉 **Không có loss → mô hình mù**

***

### 4. Loss Function xuất hiện ở đâu trong pipeline?

Luồng huấn luyện (rất đơn giản):

```
Input
 → Neuron + Layer + Activation
 → Prediction
 → Loss Function
```

* Loss chỉ xuất hiện **sau khi có prediction**
* Loss **không tạo ra output cho người dùng**
* Loss chỉ phục vụ cho **việc học**

***

### 5. Một số Loss Function phổ biến (mức ứng dụng)

#### 🔹 Mean Squared Error (MSE)

* Dùng cho regression
* Đo khoảng cách bình phương

Trực giác:

* Sai càng xa → phạt càng nặng

***

#### 🔹 Binary Cross-Entropy

* Dùng cho binary classification
* So sánh xác suất dự đoán với nhãn thật (0 hoặc 1)

👉 Rất phổ biến trong y sinh, dự đoán nguy cơ

***

#### 🔹 Categorical Cross-Entropy

* Dùng cho multi-class
* Kết hợp với Softmax

***

### 6. Vì sao chọn đúng Loss Function là rất quan trọng?

* Loss quyết định:
  * Mô hình “coi trọng” loại sai số nào
  * Cách weight được điều chỉnh sau đó

Ví dụ:

* Regression mà dùng loss classification → **học sai**
* Classification mà dùng MSE → **học chậm, kém ổn định**

👉 **Loss không chọn tùy ý**

***

### 7. Liên hệ thực tế (đúng tinh thần ứng dụng)

#### 🧬 Y sinh

* Dự đoán nguy cơ bệnh:
  * Loss đo **mức độ sai lệch xác suất**
* Loss nhỏ dần → dự đoán đáng tin hơn

#### 🧠 Protein / sinh tin học

* Dự đoán cấu trúc / chức năng:
  * Loss phản ánh mức sai khác giữa dự đoán và nhãn chuẩn

#### 🖼️ Ảnh

* Loss đo mức khác biệt giữa nhãn ảnh và kết quả phân loại

***

### 8. Tóm tắt ngắn gọn

> **Loss Function là cách duy nhất để mô hình biết nó đang sai bao nhiêu và cần sửa theo hướng nào**

Câu nhớ nhanh:

```
Activation tạo khả năng học.
Loss chỉ ra sai.
Backprop sửa sai.
```

<figure><img src="/files/aOZruyfS86YIKUzz2919" alt=""><figcaption></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://deeplearningcoban.gitbook.io/deeplearningcoban.com/deep-learning-theo-huong-ung-dung/loss-function.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.