Разница между метриками оценки модели и функциями потерь в нейронных сетях заключается в их назначении:

1. Функция потерь используется для оптимизации модели, она позволяет оценить прогресс при обучении и указать модели, куда ей двигаться. 3 Обычно требуется, чтобы функция потерь обладала хорошими свойствами (например, дифференцируемостью). 5
2. Метрика — внешний, объективный критерий качества, обычно зависящий не от параметров модели, а только от предсказанных меток. 5 С её помощью можно сопоставить разные модели между собой. 3

В некоторых случаях метрика может совпадать с функцией потерь. 5 Например, в задаче регрессии MSE играют роль как функции потерь, так и метрики. 5 Но, скажем, в задаче бинарной классификации они почти всегда различаются: в качестве функции потерь может выступать кросс-энтропия, а в качестве метрики — число верно угаданных меток (accuracy). 5