交叉熵损失函数及Tensorflow实现

一、交叉熵损失原理

一般情况下，在分类任务中，神经网络最后一个输出层的节点个数与分类任务的标签数相等。

假设最后的节点数为N，那么对于每一个样例，神经网络可以得到一个N维的数组作为输出结果，数组中每一个维度会对应一个类别。在最理想的情况下，如果一个样本属于k，那么这个类别所对应的第k个输出节点的输出值应该为1，而其他节点的输出都为0，即[0,0,1,0,….0,0]，这个数组也就是样本的Label，是神经网络最期望的输出结果，交叉熵就是用来判定实际的输出与期望的输出的接近程度。

二、公式

1.softmax回归

假设神经网络的原始输出为y1,y2,….,yn，那么经过Softmax回归处理之后的输出为：

单个节点的输出变成的一个概率值。

2.交叉熵的原理

交叉熵刻画的是实际输出（概率）与期望输出（概率）的距离，也就是交叉熵的值越小，两个概率分布就越接近。假设概率分布p为期望输出，概率分布q为实际输出，H(p,q)为交叉熵，则：

除此之外，交叉熵还有另一种表达形式，还是使用上面的假设条件：