交叉熵损失

概述

        在分类的任务中，往往会使用交叉熵损失函数。对于二分类，使用的是binary_crossentropy，在多分类的任务中，使用的时sparse_categorical_crossentropy和categorical_crossentropy，本文将详细的介绍这三种损失函数

binary_crossentropy

数学公式

        在二分类的任务中，标签值为[0, 1]。从公式中我们可以看出当的标签值为0时，只有蓝色的部分起作用，的标签值为1时，只有红色的部分起作用。binary_crossentropy通常结合sigmoid激活函数使用，作为二分类的损失函数。同时也可以用于多分类的损失函数，其原理就是将多分类拆成多个二分类，每个类别都相互独立预测，categorical_crossentropy则限制各个类别的概率值相加和为1

代码示例

        在此将使用tensorflow的api和公式计算两种方式来说明

• tensorflow api

from tensorflow.keras.losses import binary_crossentropy
y_true = [0, 1]
y_predict = [0.2, 0.9]
print(binary_crossentropy(y_true, y_predict))
# -----------------------------------------------------
输出：tf.Tensor(0.1642519, shape=(), dtype=float32)

• 公式计算

loss = -1/2. * (
    0 * tf.math.log(0.2) + (1 - 0) * tf.math.log(1 - 0.2) +
    1 * tf.math.log(0.9) + (1 - 1) * tf.math.log(1 - 0.9)
)
print(loss)
# ------------------------------------------------------------
输出：tf.Tensor(0.16425204, shape=(), dtype=float32)

总结：从结果可以看出都是一样的(有些许精度问题)

categorical_crossentropy

数学公式

        公式中的m为样本数，k为类别数，对于多分类问题，有多少个类别，模型的输出就有多少个各个类别之间具有排他性。通常与softmax激活函数一起使用。使用categorical_crossentropy需要对y_true进行one_hot编码

代码示例

        在此将使用tensorflow的api和公式计算两种方式来说明

• tensorflow api

from tensorflow.keras.losses import categorical_crossentropy
y_true = [[0, 1, 0], [1, 0, 0]]
y_predict = [[0.1, 0.6, 0.3],[0.8, 0.1, 0.1]]
loss = tf.reduce_mean(categorical_crossentropy(y_true, y_predict))
print(loss)
# -------------------------------------------------------
输出：tf.Tensor(0.36698455, shape=(), dtype=float32)

• 公式计算

loss = - 1/2. * (
    (0 * tf.math.log(0.1) + 1 * tf.math.log(0.6) + 0 * tf.math.log(0.3)) +
    (1 * tf.math.log(0.8) + 0 * tf.math.log(0.1) + 0 * tf.math.log(0.1))
)
print(loss)
# -------------------------------------------------------
输出：tf.Tensor(0.36698455, shape=(), dtype=float32)

总结：tensorflow的categorical_crossentropy api只会计算每个样本的交叉熵损失，所以需要而且加起来再求平均。如上所述，两种计算方式所求结果一致

sparse_categorical_crossentropy

        公式和categorical_crossentropy是一样的，sparse_categorical_crossentropy和categorical_crossentropy的区别就是前者不需要转化为one_hot编码，使用整数编码(0,1,2,...,k)，后者需要转化为one_hot编码，这个在前面也有所介绍。

代码示例

        在此仅用tensorflow api来说明

from tensorflow.keras.losses import sparse_categorical_crossentropy
y_true = [1, 0]
y_predict = [[0.1, 0.6, 0.3], [0.8, 0.1, 0.1]]
loss = tf.reduce_mean(sparse_categorical_crossentropy(y_true, y_predict))
print(loss)
# ----------------------------------------------------------
输出：tf.Tensor(0.3669846, shape=(), dtype=float32)

总结：sparse_categorical_crossentropy也只是计算每个样本的交叉熵，所以需要而且加起来再求平均

最后

• binary_crossentropy通常与sigmoid激活函数一起使用，可用于二分类，也可用于多分类，在多分类时，每个类别的预测时相互独立的
• categorical_crossentropy和sparse_categorical_crossentropy都只会计算每个样本的交叉熵，最后需要将所有样本的交叉熵相加求平均。不同的是前者需要将y_true转化为one_hot编码，后者不需要，可以使用整数编码