CNN基础知识-误差计算

最新推荐文章于 2021-12-22 10:21:59 发布

Cairo Dai

最新推荐文章于 2021-12-22 10:21:59 发布

阅读量296

点赞数

分类专栏：深度学习文章标签：深度学习机器学习神经网络

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.csdn.net/baidu_27066207/article/details/115128703

版权

深度学习专栏收录该内容

13 篇文章 0 订阅

订阅专栏

Cross Entropy Loss交叉熵损失

1. softmax输出，所有输出概率和为1

$H = - \sum\nolimits_i {o_i^*\log ({o_i})}$

2.sigmod输出，每个输出节点之间互不相干

$H=-\frac{1}{N}\sum_{N}^{N-1}[{o_{i}}^{*}log o_{i}+\left ( 1-{o_{i}}^{*} \right )log(1-o_{i})]$

（其中Oi*为真实标签值，Oi为预测值，默认log以e为底等于ln）

对于二分类问题，理论上使用sigmoid和softmax没有区别，因为数学表达式的形式是一样的。
对于多分类非互斥问题，使用sigmoid更合适。
对于多分类互斥问题，使用softmax更合适。

补充：

多分类非互斥问题：多标签分类
多分类互斥问题：单标签分类

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
CNN基础知识-误差计算

Cross Entropy Loss交叉熵损失1.softmax输出，所有输出概率和为12.sigmod输出，每个输出节点之间互不相干（其中Oi*为真实标签值，Oi为预测值，默认log以e为底等于ln）
复制链接

扫一扫

专栏目录

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。