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
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
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
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
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