學習目標：換一個損失，就是換一個你在乎什麼的宣告。上圖：同一份資料、同一個模型空間，三種損失被同一個離群值拉走的程度差很多。下圖：同一個錯誤在兩種分類損失下，梯度大小差很多——那決定模型錯得離譜時能不能爬回來。

散點＝資料（紅圈那點的高度可調）；灰虛線＝真值；三條實線＝平方／絕對值／Huber 的擬合

橫軸＝正確類別的 logit z（越負錯得越離譜）；縱軸＝損失對 z 的梯度大小

觀察：把離群值往上拖，平方損失的曲線整條被拉走，絕對值與 Huber 幾乎不動——平方損失對一個點的扣分隨距離平方成長，所以它寧可挪動整條曲線也要照顧那一點。下圖是另一件事：z 很負（錯得離譜）時，平方損失的梯度趨近 0 而 cross-entropy 趨近常數，前者會卡住、後者會把自己拉回來。