神经网络学习的方式，就是不断的试错。知道了错误，然后沿着错误的反方向（梯度方向）不断的优化，就能够不断的缩小与真实世界的差异。
此时，如何评价正确答案与错误答案，错误的有多么的离谱，就需要一个评价指标。这时候，损失和损失函数就运用而生。
开始之前，我们先做一个简单的思考：假设，我们要比较两个正态分布的模型的差异，那该如何做？
我们都知道，描述一个正太分布的模型，只需要用到均值和方差即可。如果要进行比较两个都是已知是正太分布的，那直接比较描述两个模型的均值和方差就行。
那如果，两个不知道长什么样子的模型，该如何比较呢？
我们都知道许多的损失函数，和表达损失函数计算的公式，比如交叉熵损失、均方误差损失，那这些损失函数的表达形式是怎么来的？这个点是不是没有仔细的想过呢？
入门弄懂这一点，推荐学习视频（前后建议翻看三遍）&#
