【tensorflow】tf里四种交叉熵损失函数使用说明

0 前言

tensorflow中自带四种交叉熵函数,tensorflow版本太低可能有的交叉熵函数没有,尽量版本高一些。

交叉熵计算输入的logits都不是softmax或sigmoid的输出,而是softmax或sigmoid函数的输入,也就是说在调用损失函数时会在内部进行sigmoid或softmax操作,直接喂给网络预测的输出值就可以了,而不能在调用函数前进行softmax或sigmoid,会导致计算会出错。

常用函数:

tf.nn.softmax_cross_entropy_with_logits()
tf.nn.sparse_softmax_cross_entropy_with_logits()
tf.nn.sigmoid_cross_entropy_with_logits()
tf.nn.weighted_cross_entropy_with_logits()

其次就是参数labels和logits的数据唯独、类型一定要按每个函数要求输入。可以在定义的时候指定或者调用交叉熵函数前转化。

  • 定义时指定:

    • y = np.array([[0, 1, 0], [1, 0, 0]],dtype=float32)
      y_pre = np.array([[12, 3, 2], [3, 10, 1]],dtype=float32) 
      
  • 调用前转化:

    • y = np.array([[1, 0, 0], [0, 1, 0]],dtype=float32)
      y = np.array(y).astype(np.float32)
      
TensorFlow中,可以使用`tf.nn.softmax_cross_entropy_with_logits()`函数来定义交叉熵损失函数。 下面是一个简单的示例: ```python import tensorflow as tf # 定义输入和标签 x = tf.placeholder(tf.float32, [None, 10]) y = tf.placeholder(tf.float32, [None, 10]) # 定义模型 W = tf.Variable(tf.zeros([10, 10])) b = tf.Variable(tf.zeros([10])) logits = tf.matmul(x, W) + b y_pred = tf.nn.softmax(logits) # 定义损失函数 cross_entropy = tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=logits) loss = tf.reduce_mean(cross_entropy) # 定义训练操作 optimizer = tf.train.GradientDescentOptimizer(0.5) train_op = optimizer.minimize(loss) # 训练模型 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) # 训练过程... ``` 在上面的示例中,我们首先定义了输入和标签的占位符。然后,我们定义了一个简单的线性模型,其中权重矩阵W和偏置向量b都初始化为零。接下来,我们使用`tf.nn.softmax_cross_entropy_with_logits()`函数来计算交叉熵损失,然后使用`tf.reduce_mean()`函数将所有样本的损失求平均。最后,我们使用梯度下降优化器来最小化损失函数。 需要注意的是,`tf.nn.softmax_cross_entropy_with_logits()`函数要求我们传递logits和labels参数,其中logits是模型的输出,labels是真实标签。在上面的示例中,我们使用了softmax函数来将logits转换为概率分布,然后将其传递给了`tf.nn.softmax_cross_entropy_with_logits()`函数。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值