对多分类问题(multi-class),通常使用 cross-entropy 作为 loss function。cross entropy 最早是信息论(information theory)中的概念,由信息熵(information entropy,与压缩比率有关)变化而来,然后被用到很多地方,包括通信,纠错码,博弈论和机器学习等。交叉熵与信息熵的关系请见:<a href=“http://blog.csdn.net/lanchunhui/article/details/50970625”, target="_blank">机器学习基础(六)—— 交叉熵代价函数(cross-entropy error)。
在运作对 loss function 的定义时, y y y 是预测的概率分布, y ′ y' y′ 是真实的概率分布(在多分类问题的 one-hot 编码),用来判断模型对真实概率分布估计的准确程度。
H ( y , y ′ ) = H y ′ ( y ) = − ∑ i y i ′ log y i H(y,y')=H_{y'}(y)=-\sum_{i}y'_i\log y_i H(y,y′)=Hy′(y)=−i∑yi′logyi
i i i 表示的是样本编号。此外交叉熵还可以用来度量两个同维度的向量之间的举例,二分类问题又可进一步展开为:
H ( y , a ) = H y ( a ) = − ( y log a + ( 1 − y ) log ( 1 − a ) ) H(y,a)=H_y(a)=-\left(y\log a+(1-y)\log (1-a)\right) H(y,a)=Hy(a)=−(yloga+(1−y)log(1−a))
# y_ 真实输出值,y 预测值
y_ = tf.placeholder(tf.float32, [None, 10])
cross_ent = -tf.reduce_mean(tf.reduce_sum(y_*tf.log(y), reduce_indices=[1]))
预测值y
是经过一系列的机器学习(深度学习)的算法得到(y_
以预先 placeholder,占位),此时便可定义优化算法:
lr = 1e-4
train_step = tf.train.AdamOptimizer(lr).minimize(cross_ent)
1. softmax_cross_entropy_with_logits
https://blog.csdn.net/mao_xiao_feng/article/details/53382790
-
softmax_cross_entropy_with_logits 该接口对 y_*tf.log(y) 取了负号,但未求和
-
其 logits 参数表示未经过 softmax 前的输出;
logits = tf.constant([[1, 2, 3], [2, 1, 3], [3, 1, 2]], tf.float64) y = tf.nn.softmax(logits) y_ = tf.constant([[0, 0, 1], [0, 1, 0], [0, 0, 1]], tf.float64) cross_ent = -tf.reduce_sum(y_ * tf.log(y)) cross_ent2 = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_)) with tf.Session() as sess: print('cross_ent: ', sess.run(cross_ent)) print('cross_ent2: ', sess.run(cross_ent2))