一、tf.nn.softmax_cross_entropy_with_logits:
在计算loss的时候,最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits,那么它到底是怎么做的呢?首先明确一点,loss是代价值,也就是我们要最小化的值
tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)
除去name参数用以指定该操作的name,与方法有关的一共两个参数:
(1)第一个参数logits:就是神经网络最后一层的输出,如果有batch的话,它的大小就是[batchsize,num_classes],单样本的话,大小就是num_classes
(2)第二个参数labels:实际的标签,大小同上
二、具体的执行流程:
第一步是先对网络最后一层的输出做一个softmax,这一步通常是求取输出属于某一类的概率,对于单样本而言,输出就是一个
大小的向量([Y1,Y2,Y3...]其中Y1,Y2,Y3...分别代表了是属于该类的概率)num_classes
至于为什么是用的这个公式?这里不介绍了,涉及到比较多的理论证明
第二步是
softmax的输出向量[Y1,Y2,Y3...]和样本的实际标签做一个交叉熵,公式如下:
就是 其中指代实际的标签中第i个的值(用mnist数据举例,如果是3,那么标签是[0,0,0,1,0,0,0,0,0,0],除了第4个值为1,其他全为0)。
中,第i个元素的值softmax的输出向量[Y1,Y2,Y3...]
显而易见,预测越准确,结果的值越小(别忘了前面还有负号),最后求一个平均,得到我们想要的loss
们要再做一步tf.reduce_sum操作,就是对向量里面所有元素求和,最后才得到,如果求loss,则要做一步注意!!!这个函数的返回值并不是一个数,而是一个向量,如果要求交叉熵,我
tf.reduce_mean操作,对向量求均值!
三、理论讲完了,上代码
三、理论讲完了,上代码
#!/usr/bin/python
# -*- coding: utf-8 -*-
import tensorflow as tf
# 我们神经网络的输出
logits = tf.constant([[1.0, 2.0, 3.0], [1.0, 2.0, 3.0], [1.0, 2.0, 3.0]])
# 步骤1:做softmax
y = tf.nn.softmax(logits)
# 真实标签
y_ = tf.constant([[0.0, 0.0, 1.0], [0.0, 0.0, 1.0], [0.0, 0.0, 1.0]])
# 步骤2:求交叉熵
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
# 只用一步求这个交叉熵
cross_entropy2 = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_)) # 不要忘记加上 tf.reduce_sum()!!
with tf.Session() as sess: # 创建一个会话
softmax = sess.run(y)
c_e = sess.run(cross_entropy)
c_e2 = sess.run(cross_entropy2)
print("步骤1:softmax 结果为=")
print(softmax)
print("步骤2:交叉熵结果为=")
print(c_e)
print("一步到位:使用函数softmax_cross_entropy_with_logits后的结果为=")
print(c_e2)
输出结果为:
步骤1:softmax 结果为=
[[0.09003057 0.24472848 0.66524094]
[0.09003057 0.24472848 0.66524094]
[0.09003057 0.24472848 0.66524094]]
步骤2:交叉熵结果为=
1.222818
一步到位:使用函数softmax_cross_entropy_with_logits后的结果为=
1.2228179
最后大家可以试试e^1/(e^1+e^2+e^3)是不是0.09003057,发现确实一样!!这也证明了
我们的输出是符合公式逻辑的~