交叉熵损失函数

交叉熵损失函数解析

最新推荐文章于 2025-07-28 16:46:49 发布

qq_36424540

最新推荐文章于 2025-07-28 16:46:49 发布

阅读量365

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/qq_36424540/article/details/96888976

机器学习专栏收录该内容

7 篇文章

订阅专栏

1.什么是交叉熵？

公式：

$\large L=\sum -[y_{i}log^{p_{i}}+(1-y_{i})log^{(1-p_{i})}]$ (总是忘记这里的负号）

$\large y_{i}$ : 表示真实值

$\large {p_{i}}$ : 表示预测值

分类问题中，我们通常使用交叉熵来做损失函数，在网络的后面接上一层 softmax

$\large softmax(y_{i})=\frac{e^{y_{i}}}{\sum e^{y_{i}} }$ , 将数值（score) 转换成概率。

如果是二分类问题，我们通常使用 sigmod 函数 $\large sigmod(x)=\frac{1}{1+e^{-x}}$

2.为什么使用交叉熵损失函数？

如果分类问题使用 MSE（均方误差）的方式，在输出概率接近0 或者接近1的时候，偏导数非常的小，学习速率就会特别慢。

而使用交叉熵损失函数，不会出现上述的问题。

损失函数是通过 链式求导法则，对网络中的权值进行作用的。

参考博客：

1.https://zhuanlan.zhihu.com/p/35709485

2.https://zhuanlan.zhihu.com/p/35707643

3.https://blog.youkuaiyun.com/weixin_37567451/article/details/80895309

4.https://blog.youkuaiyun.com/red_stone1/article/details/80735068

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。