杭州网站建设公司有哪些,全球速卖通卖家注册,优秀产品vi设计手册,秦皇岛海三建设在实际使用softmax计算loss时,有一些关键地方与具体用法需要注意: 交叉熵是十分常用的,且在TensorFlow中被封装成了多个版本。多版本中,有的公式里直接带了交叉熵,有的需要自己单独手写公式求出。如果区分不清楚,在构建模型时,一旦出现问题将很难分析是模型的问题还是交叉熵的使…在实际使用softmax计算loss时,有一些关键地方与具体用法需要注意: 交叉熵是十分常用的,且在TensorFlow中被封装成了多个版本。多版本中,有的公式里直接带了交叉熵,有的需要自己单独手写公式求出。如果区分不清楚,在构建模型时,一旦出现问题将很难分析是模型的问题还是交叉熵的使用问题。
示例代码如下:
import tensorflow as tf#labels和logits的shape一样
#定义one-hot标签数据
labels [[0,0,1],[0,1,0]]
#定义预测数据
logits [[2,0.5,6],[0.1,0,3]]#对预测数据求一次softmax值
logits_scaled tf.nn.softmax(logits)
#在求交叉熵的基础上求第二次的softmax值
logits_scaled2 tf.nn.softmax(logits_scaled)#使用API求交叉熵
#对预测数据与标签数据计算交叉熵
result1 tf.nn.softmax_cross_entropy_with_logits(labels labels, logits logits)#对第一次的softmax值与标签数据计算交叉熵
result2 tf.nn.softmax_cross_entropy_with_logits(labels labels, logits logits_scaled)
result3 tf.nn.softmax_cross_entropy_with_logits(labels labels, logits logits_scaled2)#使用公式求交叉熵
result4 -tf.reduce_sum(labels*tf.compat.v1.log(logits_scaled),1)#标签数据各元素的总和为1
labels2 [[0.4,0.1,0.5],[0.3,0.6,0.1]]
result5 tf.nn.softmax_cross_entropy_with_logits(labels labels2, logits logits)#非one-hot标签
labels3 [2,1]#等价于labels3[tf.argmax(label,0),tf.argmax(label,1)]
#使用sparse交叉熵函数计算
result6 tf.nn.sparse_softmax_cross_entropy_with_logits(labels labels3, logits logits)print(logits_scaled,logits_scaled)
print(logits_scaled2,logits_scaled2)
print(result1,result1)
print(result2,result2)
print(result3,result3)
print(result4,result4)
print(result5,result5)
print(result6,result6) 总结: 使用softmax交叉熵函数计算损失值时,如果传入的实参logits是神经网络前向传播完成后的计算结果,则不需要对logits应用softmax算法,因为softmax交叉熵函数会自带计算softmax 使用sparse交叉熵函数计算损失值时,样本真实值与预测结果不需要one-hot编码,传给参数labels的是标签数数组中元素值为1的位置 由于交叉熵的损失函数只和分类正确的预测结果有关系,因此交叉熵的计算适用于分类问题上,不适用于回归问题。而均方差(MES)的损失函数由于对每一个输出结果都非常重视,不仅让正确的预测结果变大,还让错误的分类变得平均,更适用于回归问题,不适用于分类问题 当使用Sigmoid作为激活函数的时候,常用交叉熵损失函数而不是均方差(MES)损失函数,以避免均方差损失函数学习速率降低的问题。
