交叉熵tf.nn.softmax_cross_entropy_with_logits的用法

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：

 

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

第二个参数labels：实际的标签，大小同上

 

具体的执行流程大概分为两步：

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num_classes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）

softmax的公式是：

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：

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）

就是softmax的输出向量[Y1，Y2,Y3...]中，第i个元素的值

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

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tf.reduce_mean操作，对向量求均值！

 

注意：logits=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]]) 

 

 

import tensorflow as tf  
  
#our NN's output  
logits=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])  
#step1:do softmax  
y=tf.nn.softmax(logits)
#log_softmax
log_y=tf.log(y)
#true label  
y_=tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]])  
#step2:do cross_entropy  
cross_entropy = -tf.reduce_sum(y_*tf.log(y))  
#do cross_entropy just one step  
#dont forget tf.reduce_sum()!!  
cross_entropy2=tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_))
  
with tf.Session() as sess:
	logits1=sess.run(logits)
	softmax=sess.run(y)
	log_softmax=sess.run(log_y)
	c_e = sess.run(cross_entropy)  
	c_e2 = sess.run(cross_entropy2)  
	print("原结果:")
	print(logits1)
	print("step1:softmax result=")  
	print(softmax) 
	print("log_softmax:")
	print(log_softmax)
	print("step2:cross_entropy result=")  
	print(c_e)  
	print("Function(softmax_cross_entropy_with_logits) result=")  
	print(c_e2) 

 

原结果:
[[ 1.  2.  3.]
 [ 1.  2.  3.]
 [ 1.  2.  3.]]
step1:softmax result=
[[ 0.09003057  0.24472848  0.66524094]
 [ 0.09003057  0.24472848  0.66524094]
 [ 0.09003057  0.24472848  0.66524094]]
log_softmax:
[[-2.40760589 -1.40760589 -0.40760601]
 [-2.40760589 -1.40760589 -0.40760601]
 [-2.40760589 -1.40760589 -0.40760598]]
step2:cross_entropy result=
1.22282
Function(softmax_cross_entropy_with_logits) result=
1.22282
[Finished in 3.0s]

 

 

例子2：

 

 

 

 

# coding:utf-8
# CSDN博客里有


import numpy as np
import tensorflow as tf

y= tf.constant([[1.0,2.0,3.0],[1.0,3.0,2.0]])
y_=np.array([[0.0,0.0,1.0],[0.0,1.0,0.0]])
y_softmax=tf.nn.softmax(y)

sess = tf.Session()
sum0=sess.run(y_softmax)
print('sum0：',sum0)
sum1=sess.run(tf.log(y_softmax))
print('sum1：',sum1)
sum2=sess.run(y_*tf.log(y_softmax))
print('sum2：',sum2)
sum3=sess.run(-tf.reduce_sum(y_*tf.log(y_softmax)))
print('sum3：',sum3)
sum4=sess.run(-tf.reduce_sum(y_*tf.log(y_softmax),reduction_indices=[1]))
print('sum4：',sum4)
sum5=sess.run(tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_softmax),reduction_indices=[1])))
print('sum5：',sum5)
sum6=sess.run(tf.nn.softmax_cross_entropy_with_logits(logits=y, labels=y_))
print('sum6：',sum6)
sum7=sess.run(tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=y, labels=y_)))
print('sum7：',sum7)
sum8=sess.run(tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y, labels=y_)))
print('sum8：',sum8)

结果：

sum0： [[0.09003057 0.24472848 0.66524094]
 [0.09003057 0.6652409  0.24472845]]
sum1： [[-2.407606   -1.4076059  -0.407606  ]
 [-2.4076061  -0.40760607 -1.4076061 ]]
sum2： [[-0.         -0.         -0.407606  ]
 [-0.         -0.40760607 -0.        ]]
sum3： 0.8152121
sum4： [0.407606   0.40760607]
sum5： 0.40760604
sum6： [0.40760595 0.40760604]
sum7： 0.815212
sum8： 0.407606