1. L2范数损失函数，也叫欧几里得损失函数，实际上是预测值到目标的距离的平方，tensorflow中用法：tf.nn.l2_loss()，这个损失函数的优点在于曲线在接近目标时足够平缓，所以可以利用这个特点在接近目标时，逐渐缓慢收敛过去。这个损失函数一般用在回归问题。
2. L1范数损失函数，采用绝对值，特点是对异常值曲线不像L2范数损失函数那样陡峭，由于曲线在目标出不平滑，所以可能导致算法在这个点收敛不是很好。
3. Pseudo-Huber损失函数，是一个连续且平滑的对Huber损失函数的近似。这个函数在目标附近是凸(convex)的，并且对数据中的游离点较不敏感，具有上述的两个损失函数的优点。需要一个额外的参数delta决定曲线的斜率。
4. Hinge loss损失函数，在支持向量机里面最常用，但是也可以被用在神经网络中，它计算到两个目标分类1， -1的损失。
5. 交叉熵损失函数，表示的是两个概率分布之间的距离，值越小，两个概率分布之间的距离值越近。交叉熵克服方差代价函数更新权重过慢的问题。--对这个不是很理解。
假设一个三分类问题，正确答案是（1,0,0），有两个答案，（0.5,0.4,0.1）和（0.8,0.1,0.1）那么两个答案和正确答案的交叉熵分别是：
答案（0.5,0.4,0.1）：-(1*lg0.5+0*lg0.4+0*lg0.1) = 0.3
答案（0.8,0.1,0.1）：-(1*lg0.8 + 0*lg0.1 + 0*lg0.1) = 0.1
可以看到越接近的概率分布具有越小的交叉熵值。
summary：
