损失函数——交叉熵损失函数应用（手把手教你计算损失函数）

在上一篇 博客“损失函数——交叉熵损失函数（引子）”中为了更好的理解交叉熵应用，先引入了交叉熵损失函数，在这篇文章中，更详细的介绍交叉熵损失函数的应用。

交叉熵损失函数的形式

交叉熵损失函数的表示形式如下所示：

其中t指的是标签，y指的是概率。
具体举例来说：
假设我们输入一张狗的图片，标签与预测值如下：

如下图所示就是神经网络的构成与计算步骤：
其中上面公式中的y指的就是预测概率，也就是由softmax计算得来，softmax的计算公式

在这个例子中，具体由下面图中的softmax列的公式可以计算出每个分类的预测概率，也就是是表格中pred的计算由来。
最后的label是标签的意思。标签为什么用0和1表示呢。因为我们输入的图片的是狗，所以狗的真实分类概率用1表示，与前篇博客推导的公式相对应的就是概率的意思，也就是p（x）,对应的就是真实概率的意思

其他的就用概率0表示，引申的含义也可以理解为标签，故此这就是标签用0和1表示的由来。

由此可以进行损失函数的计算：

小伙伴们明白了吗，哪里不清楚的话可以留言为你解答~~~~~~~~~~~~~