神经网络中的损失函数
tf.keras 有很多内置的损失函数，具体可见官方文档，这里介绍一部分。
MSE、MAE、BinaryCrossentropy、CategoricalCrossentropy...
1 回归问题
1.1 均方误差 (MeanSquaredError，MSE)
这是最简单也是最常用的损失函数，在线性回归中，可以通过极大似然估计 (MLE) 推导。
1.2 绝对值误差 (MeanAbsoluteError，MAE)
1.3 绝对值百分比误差 (MeanAbsolutePercentageError，MAPE)
1.4 平方对数误差 (MeanSquaredLogarithmicError，MSLE)
1.5 Hinge
1.6 SquaredHinge
1.7 Huber
当预测偏差小于 δ 时，它采用平方误差；当预测偏差大于 δ 时，采用的线性误差。
增强了 MSE 对离群点的鲁棒性。
2 分类问题
2.1 BinaryCrossentropy
一般用于二分类，这是针对概率之间的损失函数，只有 yi 和 ˆyi 相等时，loss才为0，否则 loss 是一个正数，且概率相差越大，loss就越大，这种度量概率距离的方式称为交叉熵。一般最后一层使用 sigmoid 激活函数。
2.2 CategoricalCrossentropy
m 是样本数，n 是分类数。这是一个多输出的 loss 函数。一般最后一层使用 softmax 激活函数。
2.3 SparseCategoricalCrossentropy
SparseCategoricalCrossentropy 损失函数同 CategoricalCrossentropy 类似，唯一的区别在于输入的 y_true 是 one-hot 编码还是数字编码。
如果是 one-hot 编码，例如 [0, 0, 1], [1, 0, 0], [0, 1, 0]，用 CategoricalCrossentropy；
如果是数字编码，例如 2, 0, 1，用 SparseCategoricalCrossentropy 。
关于参数 from_logits 的设置：如果输入的 y_pred 经过了 softmax 激活函数的处理，设置为 False；否则，设置为 True，表示该值为 logits，没有经过 softmax 激活函数的 fully connect 输出。
2.4 KLD (KL散度，相对熵)
