Reconstruction loss（重建損失）是深度學習中特別常見於自編碼器（autoencoder）和生成模型中的損失函數，用來衡量模型輸出（重建結果）和輸入原始數據之間的不一致性。
定義
重建損失量化了模型“重建”原始輸入的能力，目標是讓輸入經過編碼器編碼後，再由解碼器還原出來的輸出與原始輸入越接近越好。損失值越小，表示重建結果與原圖越相似。常用計算方法
• 均方誤差（MSE, Mean Squared Error）：度量連續值型資料重建時的像素或特徵差異。
• 交叉熵損失（Cross-Entropy Loss）：主要用於二元或多類別資料，如圖像二值化或分類任務。
應用範例
• 自編碼器（Autoencoder）：透過最小化重建損失來學習資料低維縮減及重要特徵。
• 生成對抗網絡（GAN）：在某些變種中，利用重建損失確保生成數據與真實數據的相似度。
• 去噪、修復：將受損或有噪聲的輸入重建成接近原始清晰數據。
簡單比喻
把重建損失想像成「模型畫畫的誤差」，輸入給模型一張照片，模型試圖重新畫出一模一樣的圖，重建損失衡量它畫得多像原圖，畫得越像損失越小。
總結：
重建損失是衡量模型從壓縮或變形後數據重建回原始數據的誤差大小，是指導模型學習有效表徵和生成能力的重要評估標準。
