推荐阅读:一种简单的解释
今天学习CS231n课程第6讲,老师提出了一个问题:在训练开始时,低学习率情况下,为什么可能出现“损失几乎不变,准确率明显提高”这样的现象?(视频课程中对这里解释的不太清楚)
备注:交叉熵损失+softmax
当然,类似问题也可以是,“损失和正确率同时上升”这样奇怪的现象?
我通过查找网络相关内容以及和LY师兄交流,终于搞懂了其原因:损失函数和准确率计算方法的区别!
交叉熵损失:
我们可以看到,交叉熵损失与对某每一类别 i 的预测分数的log相关;而准确率却是个硬判决,及输出层哪一类的分数高就判为那一类,结果正确那么准确率就增加(无论得分高低)
这样,我们就发现了其中的端倪,假设我们有两类。在初始阶段,softmax的输出都趋于[0.5, 0.5]这样的结果,其上下波动会随机进行预测,从而使正确率为50%左右。
当稍微进行了一点学习时,可能对应样本的输出会分别趋向于输出**[0.51,0.49]与[0.49,0.51],也就是分类不那么随机**了,而是趋于向正确的方向调整(虽然准确率不高)。
这样,此时准确率自然是上升的,而根据交叉熵损失的计算方法,由于输出向量并没有较大改变,所以Loss函数的结果并没有明显变化。这从而就导致了Acc up, Loss flat的神奇现象。
所以,其背后原理是十分简单的!