文章目录
使用场合
binary_crossentropy(对数损失函数)
即 log loss,与 sigmoid 相对应的损失函数,针对于二分类问题。
categorical_crossentropy(多分类的对数损失函数)
与 softmax 相对应的损失函数,针对于独热化标签的多分类问题。
sparse_categorical_crossentrop(稀疏性多分类的对数损失函数)
在上面的多分类的对数损失函数的基础上,增加了稀疏性(即数据中多包含一定0数据的数据集),针对于非独热化标签的多分类问题。
MSE(均方误差)
主要用于预测、线性回归。
Hinge Loss
主要用于最大化间隔距离、SVM支持向量机。
使用方法
方法一
用对数损失函数举例如下:
bce = tf.keras.losses.BinaryCrossentropy(from_logits=False)
loss = bce([0., 0., 1., 1.], [1., 1., 1., 0.])
print('Loss: ', np.array(loss)) # Loss: 11.522857
在上面的代码中,bce 是对数损失函数的实例化,当模型最后一层没有经过激活函数时 from_logits 设置为 True,否则为 False。
因为 logits 表示网络的直接输出 。如果网络输出的结果经过了 sigmoid 或者 softmax 的概率化,那么 from_logits=False 就表示把已经概率化了的输出,重新映射回原值。如果网络输出的结果没经过概率化,则 from_logits=True,表示不进行任何操作。
方法二
tf.keras.losses.binary_crossentropy(y_true=[0., 0., 1., 1.],
y_pred=[1., 1., 1., 0.],
from_logits=False)