本文介绍了在TensorFlow中用于图像分类的几种损失函数，包括Sigmoid Cross Entropy、Softmax Cross Entropy、Sparse Softmax Cross Entropy和Weighted Cross Entropy。详细解释了各个函数的参数、使用场景和计算公式，帮助理解如何在不同的分类任务中选择合适的损失函数。
1. 图像分类
在tensorflow中针对图像分类的loss function主要三交叉熵函数，主要有这几类：softmax、sigmoid、sparse_softmax、weighted加权交叉熵。
有关sigmoid、softmax、logits、cross entropy的计算方式，在另一个博客中有介绍，博客地址：https://blog.youkuaiyun.com/itlilyer/article/details/107101569。
sigmoid_cross_entropy_with_logits
tf.nn.sigmoid_cross_entropy_with_logits(logits, targets，name=None)
参数说明：
labels： 是一个与logits有相同shape的Tensor，是图像的标签。不必是one-hot格式的。
logits： 类型是float32或者float64的Tensor，是预测值。
name: 可以为该操作设置一个名称，是可选的。
注意： labels和logits的shape必须一致。如果不一致会抛出ValueError的异常。
返回值：
与logits具有相同shape的Tensor，内容是每个类型的logistic loss值。
使用说明：
衡量分类任务中的概率误差，每个类别都是独立的，但是不互斥，可同时存在于同一张图片中。例如：一个多标签分类的任务，一张图片中可以同时包含大象和狗。
计算公式：
设 x=logits，z = labe
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
