谈谈 keras 的损失函数

本文详细介绍了在深度学习中,sparse_categorical_crossentropy与categorical_crossentropy的区别,以及它们与binary_crossentropy的不同。前者适用于数字编码的多分类问题,后者用于one-hot编码的多分类,而binary_crossentropy则专门用于二分类任务。在实际应用中,当类别数量较少时,推荐使用one-hot编码,而大量类别时,数字编码更为高效。理解这些损失函数对于优化模型性能至关重要。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

sparse_categorical_crossentropy 与 binary_crossentropy的区别。

可以看看书本作者的阐述
在这里插入图片描述
原文意思为:看你输出的是什么格式的
one-hot 的话用categorical_crossentropy
数字编码的话用sparse_categorical_cossentropy

实际使用过程中, 如果数量少的话可以用one—hot格式

而大量的分类,如1000个分类的话,会占用大量的空间并且提升算法复杂度,所以最好选择数字编码。

categorical_crossentropy 与 binary_crossentropy的区别

一个用于多分类,一个用于二分类

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

打赏作者

东哥aigc

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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