【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法_xf__mao的博客-CSDN博客 https://blog.csdn.net/mao_xiao_feng/article/details/53382790#
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)
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(批处理)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(归一化处理),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yi'
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)(感觉就是one hot类型的数据)
yi
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yi
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!
上代码:
import tensorflow as tf
#our NN's output 假设为:神经网络的最后一层输出
logits=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])
#step1:do softmax 使用softmax进行归一化处理
y=tf.nn.softmax(logits)
#true label 监督学习中,数据输入网络前的正确的标签
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 求交叉熵损坏的方法一
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#do cross_entropy just one step 求交叉熵损坏的方法二:使用本次讲解的函数
cross_entropy2=tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits, y_))#dont forget tf.reduce_sum()!!
with tf.Session() as sess:
softmax=sess.run(y)
c_e = sess.run(cross_entropy)
c_e2 = sess.run(cross_entropy2)
print("step1:softmax result=")
print(softmax)
print("step2:cross_entropy result=")
print(c_e)
print("Function(softmax_cross_entropy_with_logits) result=")
print(c_e2)
输出结果是:
step1:softmax result=
[[ 0.09003057 0.24472848 0.66524094]
[ 0.09003057 0.24472848 0.66524094]
[ 0.09003057 0.24472848 0.66524094]]
step2:cross_entropy result=
1.22282
Function(softmax_cross_entropy_with_logits) result=
1.2228
最后大家可以试试e1/(e1+e2+e3)是不是0.09003057,发现确实一样!!这也证明了 我们的输出是符合公式逻辑的
还有一篇,建议结合起来看:
【TensorFlow】tf.nn.softmax_cross_entropy_with_logits中的“logits”到底是个什么意思?