tf损失函数相关内容

tf.losses 模块

tf.losses 模块实际是对tf.nn.下面的loss函数的高级封装。
tf.losses 模块官方的api：官网API

此模块下主要的Functions

absolute_difference(): 为训练过程添加一个“绝对差异”loss，其实就是做差后取绝对值作为loss。

add_loss(): 为loss集合添加额外定义的loss。

compute_weighted_loss(): 计算加权loss。

cosine_distance(): Adds a cosine-distance loss to the training procedure. (deprecated arguments)

get_losses(): 从loss集合中获取loss列表。

get_regularization_loss(): 获取整体的正则化loss。

get_regularization_losses(): 获得正则化loss列表。

get_total_loss(): 返回其值表示总损失的张量。

hinge_loss(): 为训练过程添加一个hinge loss。

huber_loss(): 为训练过程添加一个Huber Loss。

log_loss(): 为训练过程添加一个Log Loss。

mean_pairwise_squared_error(): 为训练过程添加一个pairwise-errors-squared loss。

mean_squared_error(): 为训练过程添加一个Sum-of-Squares loss，就是常说的均方误差loss。

sigmoid_cross_entropy(): sigmoid cross-entropy loss（用tf.nn.sigmoid_cross_entropy_with_logits 实现）

softmax_cross_entropy(): softmax cross-entropy loss （用tf.nn.softmax_cross_entropy_with_logits 实现）

sparse_softmax_cross_entropy(): 稀疏softmax Cross-entropy loss （用 tf.nn.sparse_softmax_cross_entropy_with_logits 实现）

tf.nn.softmax_cross_entropy_with_logits与tf.nn.sparse_softmax_cross_entropy_with_logits

import tensorflow as tf

sess=tf.Session()
#logits代表wx+b的输出，并没有进行softmax（因为softmax后是一个和为1的概率）
logits = np.array([[1, 2, 7],
                   [3, 5, 2],
                   [6, 1, 3],
                   [8, 2, 0],
                   [3, 6, 1]], dtype=np.float32)
#labels是[2,1,0,0,1]的ont-hot编码形式
labels = np.array([[0, 0, 1],
                   [0, 1, 0],
                   [1, 0, 0],
                   [1, 0, 0],
                   [0, 1, 0]], dtype=np.float32)
                   
cross_entropy2 = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=labels)
sess.run(cross_entropy2)

classes = tf.argmax(labels, axis=1)    #array([2, 1, 0, 0, 1])
cross_entropy3 = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=classes)
sess.run(cross_entropy2)

#---cross_entropy2 输出
array([ 0.00917445,  0.16984604,  0.05498521,  0.00281022,  0.05498521], dtype=float32)

A 1-D `Tensor` of length `batch_size` of the same type as `logits` with the
      softmax cross entropy loss.

#---cross_entropy3 输出
array([ 0.00917445,  0.16984604,  0.05498521,  0.00281022,  0.05498521], dtype=float32)

两个函数的输出结果相同，区别在于输入的labels不同
tf.nn.softmax_cross_entropy_with_logits输入labels是one-hot编码格式
tf.nn.sparse_softmax_cross_entropy_with_logits输入labels是非one-hot编码格式

tf.losses.softmax_cross_entropy 和 tf.losses.sparse_softmax_cross_entropy

tf.losses.softmax_cross_entropy

主要用于进行不同样本的loss计算
默认weights=1，等价于tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits)
weights为标量w时，等价于w*tf.reduce_mean(tf.nn.softmax_corss…)）
4.weights为向量时，算出的每个loss需要乘以对应样本权重，再求均值

logits = np.array([[1, 2, 7],
                   [3, 5, 2],
                   [6, 1, 3],
                   [8, 2, 0],
                   [3, 6, 1]], dtype=np.float32)

#labels是[2,1,0,0,1]的ont-hot编码形式
labels = np.array([[0, 0, 1],
                   [0, 1, 0],
                   [1, 0, 0],
                   [1, 0, 0],
                   [0, 1, 0]], dtype=np.float32)

cross1 = tf.nn.softmax_cross_entropy_with_logits(labels=labels,logits=logits)           
cross2 = tf.losses.softmax_cross_entropy(onehot_labels=labels, logits=logits) 
cross3 = tf.losses.softmax_cross_entropy(onehot_labels=labels, logits=logits,weights=0.2) 

print sess.run(cross1)            #[ 0.00917445  0.16984604  0.05498521  0.00281022  0.05498521]
print sess.run(cross2)                    #0.0583602
print sess.run(tf.reduce_mean(cross1))    #0.0583602

print sess.run(cross3)                           #0.011672
print sess.run(0.2*tf.reduce_mean(cross1))       #0.011672

tf.losses.sparse_softmax_cross_entropy

tf.losses.sparse_softmax_cross_entropy 同理等价于tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits),只不过输入labels是非one-hot编码格式

本文整理自https://blog.csdn.net/ErenTuring/article/details/80239247
https://www.jianshu.com/p/95d0dd92a88a
交叉熵参考：https://www.zhihu.com/question/41252833/answer/195901726