#浅析# categorical_crossentropy 和 sparse_categorical_crossentropy 的区别

最新推荐文章于 2024-07-07 17:23:08 发布
最新推荐文章于 2024-07-07 17:23:08 发布
阅读量2.9k 收藏 17
点赞数 9
分类专栏： 机器学习 TensorFlow 文章标签： categorical crossentropy 交叉熵 tensorflow 损失函数
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/lch551218/article/details/112209462
版权

categorical_crossentropy 和 sparse_categorical_crossentropy 都是交叉熵损失函数，使用哪种函数要根据标签的结构来选择

  • 如果样本标签是one-hot编码，则用 categorical_crossentropy函数
    　　one-hot 编码：[0, 0, 1], [1, 0, 0], [0, 1, 0]
  • 如果样本标签是数字编码 ，则用sparse_categorical_crossentropy函数
    　　数字编码：2, 0, 1
energy_百分百
关注
专栏目录
sparse_categorical_crossentropy和SparseCategoricalCrossentropy的用法区别
chenvvei的博客
05-10 3017
TensorFlow2 -基本函数解释 tf.keras.losses.SparseCategoricalCrossentropy 和 tf.keras.losses.sparse_categorical_crossentropy 从以下几个方面区分 函数 tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred) 函数,求交叉熵损失 例子: import tensorflow as tf import numpy as np y_true
损失函数binary_crossentropy和categorical_crossentropy在单标签多分类模型中评价效果差异较大的原因
klklklbk的博客
06-03 5411
在cifar100数据集进行分类建模的时候在相同模型和数据上发现损失函数binary_crossentropy和categorical_crossentropy在测试集上效果差异较大， 在网上多方查阅之后发现原因如下，参考来源https://zhuanlan.zhihu.com/p/48078990 原文如下 在运行keras的代码时，发现一个有趣的现象，当使用binary_crossentropy和categorical_crossentropy时，其日志中输出的acc有较大差异，后经多方查阅，发现原因
交叉熵损失
梦想天空
09-24 5183
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
Keras中的多分类损失函数用法categorical_crossentropy
09-16
主要介绍了Keras中的多分类损失函数用法categorical_crossentropy，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Pytorch中分类回归常用的损失和优化器
最新发布
Go_ahead_forever的博客
07-07 1010
Pytorch中分类回归常用的损失和优化器
categorical_crossentropy VS sparse_categorical_crossentropy
Larkii 的博客
10-07 265
If the targets are one-hot encoded, use categorical_crossentr...
categorical_crossentropy与sparse_categorical_crossentropy到底有什么区别呢？
devinzkx的博客
04-28 1151
categorical_crossentropy和sparse_categorical_crossentropy两者到底有何区别？ 如果 labels 是 one-hot 编码，用 categorical_crossentropy one-hot 编码： 　　[[0, 0, 0], 　　 [1, 0, 0], 　　 [0, 1, 0]] 　　 每条每一行是一个label的编码，1所在的位置代表label 如果你的 tagets 是 数字编码 ，用 sparse_categorical_crossentrop
kears sparse_categorical_crossentropy参数说明
qq_43258953的博客
12-21 4367
kears sparse_categorical_crossentropy说明： from_logits=False，output为经过softmax输出的概率值。 from_logits=True，output为经过网络直接输出的 logits张量。 def sparse_categorical_crossentropy(target, output, from_logits=False): ...
二分类交叉熵损失函数python_Keras中的多分类损失函数用法categorical_crossentropy
weixin_39870132的博客
12-22 2524
from keras.utils.np_utils import to_categorical注意：当使用categorical_crossentropy损失函数时，你的标签应为多类模式，例如如果你有10个类别，每一个样本的标签应该是一个10维的向量，该向量在对应有值的索引位置为1其余为0。可以使用这个方法进行转换：from keras.utils.np_utils import to_categ...
categorical_crossentropy和sparse_categorical_crossentropy的区别：实例讲解
/dev/null
05-05 1437
如果y是one-hot encoding格式，使用sparse_categorical_crossentropy [1,0,0] [0,1,0] [0,0,1] 如果y是整数，非one-hot encoding格式，使用categorical_crossentropy 1 2 3
交叉熵损失函数CategoricalCrossentropy 和 categorical_crossentropy
weixin_42713739的博客
10-19 3786
CategoricalCrossentropy 和 categorical_crossentropy 都是类别交叉熵损失函数，前者是类的实现形式，后者是函数的实现形式。CategoricalCrossentropy 调用的还是categorical_crossentropy 的实现。 y_true = [[0, 1, 0], [0, 0, 1]] y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]] loss = tf.keras.losses.categorical_cr
sparse_categorical_crossentropy与categorical_crossentropy区别
追梦小狂魔的博客
02-12 5758
两者都是多分类交叉熵损失函数，区别在于sparse（稀疏），在于对target编码的要求。 1.categorical_crossentropy要求target为onehot编码。 2.sparse_categorical_crossentropy要求target为非onehot编码，函数内部进行onehot编码实现。 例如： 如果你的 targets 是 one-hot 编码，用 categor...
categorical_crossentropy VS. sparse_categorical_crossentropy
weixin_30662539的博客
09-17 217
From：https://jovianlin.io/cat-crossentropy-vs-sparse-cat-crossentropy/ categorical_crossentropy 和sparse_categorical_crossentropy 的区别在哪？ 如果你的 targets 是 one-hot 编码，用categorical_crossentropy 　　o...
categorical_crossentropy和sparse_categorical_crossentropy的区别
Ruanes的博客
04-25 1611
categorical_crossentropy主要用于目标结果是独热编码(one-hot encoding)，比如： [1,0,0], [0,1,0], [0,0,1] sparse_categorical_crossentropy用于目标结果是个整数(integer)，如1，2，3. 两者计算公式是相同的，所以两者的准确性基本没有差别。 Reference 1.https://jovianli...
sparse_categorical_crossentropy和categorical_crossentropy()损失函数比较
小姑仔的博客
05-17 3056
最近在使用sparse_categorical_crossentropy函数的时候，对其中的输入输出内容不是特别的理解， 首先我们看一下交叉熵损失函数的定义 H(p,q)=H(p(x))+Dkl(p∣∣q)=−∑i=1np(xi)ln(p(xi))+∑i=1np(xi)ln(p(xi)q(xi))H(p,q) = H(p(x))+D_{kl}(p||q) = -\sum_{i=1}^{n}p(x_{i})ln(p(x_{i}))+\sum_{i=1}^{n}p(x_{i})ln(\frac{p(x_{i})
SparseCategoricalCrossentropy()与CategoricalCrossentropy()的区别
qq_40212975的博客
08-26 2217
tf.keras.losses.SparseCategricalCrossentropy()与CategricalCrossentropy()的区别： （1）如果labels是one-hot编码，比如目标是 one-hot 编码： 　　[[0, 1, 0], 　　 [1, 0, 0], 　　 [0, 0, 1]] 每条每一行就是label的编码，使用CategricalCrossentropy() （2）如果目标是数字编码，比如 [1,3,4] 每个数字即是label，使用SparseCategrical
【Tensorflow】【损失函数】交叉熵数据验证（上）---CategoricalCrossentropy多分类
胡侃有料的博客
03-12 1530
every blog every motto: You can do more than you think. 0. 前言 对交叉熵的具体过程用数据进行验证 1. 正文 1.1 基本概念 1.1.1 信息量 信息量用来衡量一个事件的不确定性。 事件发生概率越大，(不确定性越小）其所含信息越小。 事件发生概率越小，（不确定性越低）其所含信息越大。 例子： 太阳从东边升起（发生概率大，信息少） 月球有生物（发生概率小，信息大） 中国队进世界杯决赛（发生概率低，信息大） 由上面我们知道，信息量可由事件
CNN的loss和sparse_categorical_crossentropy分别代表什么
05-19
CNN（卷积神经网络）是一种广泛应用于图像处理的深度学习模型，而sparse_categorical_crossentropy是一种常用的损失函数。 在CNN中，loss通常用于衡量模型的预测结果与实际标签之间的差距。CNN中常见的loss函数有均方误差（Mean Squared Error）和交叉熵损失函数（Cross Entropy Loss）。交叉熵在分类问题中使用较多，因为它可以更好地处理分类问题的不确定性。 而sparse_categorical_crossentropy是一种适用于多分类问题的交叉熵损失函数。与categorical_crossentropy不同的是，它是用于标签是整数形式的情况，即每个样本只能属于一个类别。在实际应用中，如果标签是one-hot编码形式，那么应该使用categorical_crossentropy。而如果标签是整数形式，那么应该使用sparse_categorical_crossentropy。 因此，当使用CNN进行多分类问题时，可以使用sparse_categorical_crossentropy作为损失函数来优化模型的训练。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

energy_百分百

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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。

余额充值