प्रशिक्षण के लिए स्कोर आवश्यक है। लॉस फंक्शन यह मापता है कि मॉडल की भविष्यवाणियाँ कितनी गलत हैं, जिससे ऑप्टिमाइज़र को न्यूनतम करने के लिए एक लक्ष्य मिलता है। वर्गीकरण के लिए क्रॉस-एंट्रॉपी का उपयोग किया जाता है। रिग्रेशन के लिए माध्य वर्ग त्रुटि का उपयोग किया जाता है। विशिष्ट कार्यों के लिए कस्टम लॉस का उपयोग किया जाता है।

चुनाव व्यवहार को आकार देता है। क्रॉस-एंट्रॉपी पर प्रशिक्षित मॉडल कैलिब्रेटेड प्रायिकताएँ सीखता है। हिंज लॉस पर प्रशिक्षित मॉडल मार्जिन सीखता है। समान आर्किटेक्चर और डेटा वाले दो मॉडल, आप उनसे जो न्यूनतम करने को कहते हैं, उसके आधार पर बहुत अलग तरह से व्यवहार कर सकते हैं।

सामान्य हानि कार्य

• प्रतिगमन के लिए माध्य वर्ग त्रुटि
• वर्गीकरण के लिए क्रॉस-एंट्रोपी
• मार्जिन-आधारित क्लासिफायर के लिए हिंज लॉस
• एम्बेडिंग के लिए कंट्रास्टिव हानि
• समानता सीखने के लिए ट्रिपलेट हानि

असंतुलित डेटा से हानि की प्रक्रिया जटिल हो जाती है। क्रॉस-एंट्रॉपी पर प्रशिक्षित क्लासिफायर, भारों को समायोजित किए बिना, बहुसंख्यक वर्ग को प्राथमिकता देगा। फोकल लॉस और क्लास वेटिंग इस समस्या का समाधान करते हैं, हालांकि इसके लिए अतिरिक्त ट्यूनिंग की आवश्यकता होती है।