搭建卷积神经网络时loss计算方式的选择

最近在利用卷积神经网络跑模型的时候，总会出现一些奇奇怪怪的问题，而其中出现次数最多的就是loss值计算方式选择错误问题。在tensorflow中封装的loss值的计算方式有三种：BinaryCrossentropy，SparseCategoricalCrossentropy，CategoricalCrossentropy。下面简单说一下这三种计算方式适用于什么场合？

1.BinaryCrossentropy

常用于二分类问题，当然也可以用于多分类问题，通常需要在网络的最后一层添加sigmoid进行配合使用，其期望输出值（target）需要进行one-hot编码。

2.SparseCategoricalCrossentropy

tf.keras.losses.SparseCategoricalCrossentropy(
    from_logits=False, reduction=losses_utils.ReductionV2.AUTO,
    name='sparse_categorical_crossentropy'
)

如果目标是数字编码 ，比如多分类0,1, 2, 3，损失函数用 sparse_categorical_crossentropy。

3.CategoricalCrossentropy

tf.keras.losses.CategoricalCrossentropy(
    from_logits=False, reduction=losses_utils.ReductionV2.AUTO,
    name='categorical_crossentropy'
)

如果目标是one-hot 编码，比如二分类【0,1】【1,0】，损失函数用 categorical_crossentropy。这一点与BinaryCrossentropy方法类似。

努力加油a啊