logits笔记

好记性不如烂笔头！

一、什么是logits？

logits：未归一化的概率，即各个特征的加权之和。logits经过sigmoid或softmax函数变为归一化的概率值。

logits = log(p/(1-p)) 

p = 1 / (1 + e^(-logits))

二、在keras中的运用？（假定标签y为categorical类型）

先在compile中设置loss为keras.losses.categorical_crossentropy(y_true, y_pred)，然后调用tf的categorical_crossentropy。

1、判断preds本身的shape长度，用以校验axis

2、一般model最后一层是softmax，则输出的预测值preds已经是归一化（非logits值！），满足not from_logits条件，进入步骤3，否则直接调用else内的语句，结束。

3、再次缩放softmax函数的归一化值（线性变换，保证单个sample的probas之和为1），同时保持shape不变！

4、使用tf.clip_by_value函数限定preds的输出范围，并调用tf.reduce_sum(target*tf.log(preds), -1)求解交叉熵。

 

更多学习笔记可以关注我的微信公众号「kelly学挖掘」，欢迎交流。

-- over --