尺度 (FPN)

在机器学习领域，尺度（Scale）指代衡量预测值与真实值之间距离的量化标准，其本质是将连续的数值差异转化为可比较的误差度量。不同于统计学中描述数据分布离散程度的“方差”或“标准差”，算法中的尺度特指损失函数（Loss Function）或评估指标（Metric）所采用的距离度量方式，如均方误差（MSE）中的平方尺度或平均绝对误差（MAE）中的线性尺度。它决定了模型在优化过程中对大误差与小误差的敏感度权重，直接影响梯度下降的方向与收敛速度。

尺度作为连接模型预测与真实世界的桥梁，在现代计算架构中扮演着性能评估与模型调优的关键角色。其核心价值在于将抽象的预测结果转化为具体的、可量化的业务指标，从而指导超参数搜索与模型迭代。在深度学习生态中，尺度选择直接关联到激活函数的设计（如 ReLU 的截断效应）、损失函数的构建（如 Huber Loss 对异常值的鲁棒性）以及评估体系的建立。合理的尺度定义不仅能客观反映模型能力，还能有效规避过拟合与欠拟合，是构建高鲁棒性 AI 系统的基石。