TensorFlow：交叉熵损失函数

-柚子皮-

已于 2024-09-03 22:51:33 修改

阅读量4.8k

点赞数 3

分类专栏： Tensorflow 文章标签： Tensorflow softmax

于 2019-07-13 17:03:28 首次发布

本文链接：https://blog.csdn.net/pipisorry/article/details/75102784

版权

Tensorflow 专栏收录该内容

19 篇文章 2 订阅

订阅专栏

损失loss示例

loss_mask = tf.greater(click_label, -1000)
loss_mask = tf.logical_and(loss_mask, tf.logical_not(is_othsene_mask))

label = tf.cast(tf.greater(label, 0.5), label.dtype)
loss = tf.reshape(tf.nn.sigmoid_cross_entropy_with_logits(labels=label, logits=logit), [-1, 1])
loss = (1.0 - fake_impr_mask) * loss + fake_impr_mask * loss * fake_impr_coef
loss = tf.reduce_sum(tf.boolean_mask(loss, loss_mask))

Tensorflow：tensor数据类型转换、计算和变换-CSDN博客

基础

损失函数

[机器学习中的损失函数]

示例说明：计算multilabel时的BinaryCrossentropy

tf.keras.losses.BinaryCrossentropy原码：

@tf_export('keras.backend.binary_crossentropy')
def binary_crossentropy(target, output, from_logits=False):
  """Binary crossentropy between an output tensor and a target tensor.

  Arguments:
      target: A tensor with the same shape as `output`.
      output: A tensor.
      from_logits: Whether `output` is expected to be a logits tensor.
          By default, we consider that `output`
          encodes a probability distribution.

  Returns:
      A tensor.
  """
  # Note: nn.sigmoid_cross_entropy_with_logits
  # expects logits, Keras expects probabilities.
  if not from_logits:
    # transform back to logits
    epsilon_ = _to_tensor(epsilon(), output.dtype.base_dtype)
    output = clip_ops.clip_by_value(output, epsilon_, 1 - epsilon_)
    output = math_ops.log(output / (1 - output))
  return nn.sigmoid_cross_entropy_with_logits(labels=target, logits=output)

tf.nn.sigmoid_cross_entropy_with_logits的原码逻辑：

For brevity, let x = logits, z = labels. The logistic loss is
z * -log(sigmoid(x)) + (1 - z) * -log(1 - sigmoid(x))

normalized cross entropy

def normalized_cross_entropy(self, predict_tensor, target_tensor, real_p=0.187):
per_entry_cross_ent = tf.nn.sigmoid_cross_entropy_with_logits(logits=predict_tensor, labels=target_tensor)
hmax_entry = - real_p * tf.log(real_p) - (1 - real_p) * tf.log(1.0 - real_p)
normalize_entry_cross_ent = per_entry_cross_ent / hmax_entry
return normalize_entry_cross_ent

[损失函数loss_loss函数_-柚子皮-的博客-CSDN博客]

示例

1 如果输入是未激活的logits = tf.layers.dense(output, units=num_labels, activation=None)

loss = tf.keras.losses.binary_crossentropy(labels=labels, logits=logits, from_logits=True)

或者 loss = tf.nn.sigmoid_cross_entropy_with_logits(labels=labels, logits=logits)。

即Use an activation function and use the raw outputs (logits) for the sigmoid_crossentropy_with_logits function.

2 如果输入是激活后的outputs = tf.layers.dense(output, units=num_labels, activation='sigmoid')

则loss = tf.keras.losses.binary_crossentropy(labels, outputs)。

其内部逻辑为先将outputs通过反sigmoid操作转成logits，再使用loss = tf.nn.sigmoid_cross_entropy_with_logits(labels, logits)。

所以有时为了效率，如果能直接用logits还是用1来实现Crossentropy计算吧。

-柚子皮-

TensorFlow交叉熵函数

TensorFlow针对分类问题，实现了四个交叉熵函数，分别是tf.nn.sigmoid_cross_entropy_with_logits、tf.nn.softmax_cross_entropy_with_logits、tf.nn.sparse_softmax_cross_entropy_with_logits、tf.nn.weighted_cross_entropy_with_logits。

sigmoid_cross_entropy_with_logits详解

我们先看sigmoid_cross_entropy_with_logits[tf.nn.sigmoid_cross_entropy_with_logits]，它的实现和交叉熵算法定义是一样的。

tf.nn.sigmoid_cross_entropy_with_logits(
    _sentinel=None,
    labels=None,
    logits=None,
    name=None
)

函数的输入是logits和labels，logits就是神经网络模型中的 W * X矩阵，注意不需要经过sigmoid，而labels的shape和logits相同，就是正确的label值，例如这个模型一次要判断100张图是否包含10种动物，这两个输入的shape都是[100, 10]。注释中还提到这10个分类之间是独立的、不要求是互斥，这种问题我们成为多目标multi-label，例如判断图片中是否包含10种动物，label值可以包含多个1或0个1。

还有一种问题是多分类问题multi-class，例如我们对年龄特征分为5段，只允许5个值有且只有1个值为1，这种问题就不可以直接用这个函数。

sigmoid_cross_entropy_with_logits的代码实现逻辑：For brevity, let x = logits, z = labels. The logistic loss is

  z * -log(sigmoid(x)) + (1 - z) * -log(1 - sigmoid(x))
= z * -log(1 / (1 + exp(-x))) + (1 - z) * -log(exp(-x) / (1 + exp(-x)))
= z * log(1 + exp(-x)) + (1 - z) * (-log(exp(-x)) + log(1 + exp(-x)))
= z * log(1 + exp(-x)) + (1 - z) * (x + log(1 + exp(-x))
= (1 - z) * x + log(1 + exp(-x))
= x - x * z + log(1 + exp(-x))

可以看到这就是标准的Cross Entropy算法实现，对W * X得到的值进行sigmoid激活，保证取值在0到1之间，然后放在交叉熵的函数中计算Loss。对于二分类问题这样做没问题，因为对于多标签分类问题，目标是将每个输出标签视作一个独立伯努利分布，而且我们需要独立地惩罚每个输出节点。

但对于前面提到的多分类就不能使用，例如年轻取值范围在0~4，目标值也在0~4，这里如果经过sigmoid后预测值就限制在0到1之间，而且公式中的1 - z就会出现负数，仔细想一下0到4之间还不存在线性关系，如果直接把label值带入计算肯定会有非常大的误差。因此对于多分类问题是不能直接代入的，那其实我们可以灵活变通，把5个年龄段的预测用onehot encoding变成5维的label，训练时当做5个不同的目标来训练即可，但不保证只有一个为1。对于这类问题TensorFlow又提供了基于Softmax的交叉熵函数。

softmax_cross_entropy_with_logits详解

将弃用，取代为tf.nn.softmax_cross_entropy_with_logits_v2：

tf.nn.softmax_cross_entropy_with_logits_v2(
    labels,
    logits,
    axis=None,
    name=None,
    dim=None
)

Softmax本身的算法很简单，就是把所有值用e的n次方计算出来，求和后算每个值占的比率，保证总和为1，一般我们可以认为Softmax出来的就是confidence也就是概率，算法实现如下。

This function performs the equivalent of
softmax = tf.exp(logits) / tf.reduce_sum(tf.exp(logits), axis)

softmax_cross_entropy_with_logits和sigmoid_cross_entropy_with_logits很不一样，输入是类似的logits和lables的shape一样，但这里要求分类的结果是互斥的，保证只有一个字段有值，例如CIFAR-10中图片只能分一类而不像前面判断是否包含多类动物。想一下问什么会有这样的限制？在函数头的注释中我们看到，这个函数传入的logits是unscaled的，既不做sigmoid也不做softmax，因为函数实现会在内部更高效得使用softmax，对于任意的输入经过softmax都会变成和为1的概率预测值，这个值就可以代入变形的Cross Entroy算法- y * ln(a) - (1 - y) * ln(1 - a)算法中，得到有意义的Loss值了。

如果是多目标问题，经过softmax就不会得到多个和为1的概率，而且label有多个1也无法计算交叉熵，因此这个函数只适合单目标的二分类或者多分类问题。并且它只计算了某个类别标签为1时的loss及梯度，而忽略了为0时的loss，而每个输出又相互独立，不像softmax函数那样有归一化的限制。所以multi-label是一定不能使用CE作为loss函数的。

再补充一点，对于多分类问题，例如我们的年龄分为5类，并且人工编码为0、1、2、3、4，因为输出值是5维的特征，因此我们需要人工做onehot encoding分别编码为00001、00010、00100、01000、10000，才可以作为这个函数的输入。理论上我们不做onehot encoding也可以，做成和为1的概率分布也可以，但需要保证是和为1，和不为1的实际含义不明确，TensorFlow的C++代码实现计划检查这些参数，可以提前提醒用户避免误用。

sparse_softmax_cross_entropy_with_logits详解

sparse_softmax_cross_entropy_with_logits是softmax_cross_entropy_with_logits的易用版本，除了输入参数不同，作用和算法实现都是一样的。

前面提到softmax_cross_entropy_with_logits的输入必须是类似onehot encoding的多维特征，但CIFAR-10、ImageNet和大部分分类场景都只有一个分类目标（单分类），label值都是从0编码的整数，每次转成onehot encoding比较麻烦。

sparse_softmax_cross_entropy_with_logits，它的第一个参数logits和前面一样，shape是[batch_size, num_classes]；而第二个参数labels的shape改为[batch_size]，值必须是从0开始编码的int32或int64，且值范围是[0, num_class)。最后在内部高效实现类似的onehot encoding，这只是简化用户的输入而已，当然如果用户已经做了onehot encoding那可以直接使用不带“sparse”的softmax_cross_entropy_with_logits函数。

-柚子皮-

keras中两种交叉熵损失函数

categorical cross entropy [tf.keras.losses.CategoricalCrossentropy]和 binary cross entropy[tf.keras.losses.BinaryCrossentropy],以下简称CE和BCE. 关于这两个函数的忠告就是:"CE用于多分类, BCE适用于二分类, 千万别用混了."

CE:

$CE(x)=-\sum_{i=1}^C y_i \log f_i(x)$ 。。。。。。（1）