【深度学习原理】交叉熵损失函数的实现

最新推荐文章于 2024-06-11 08:29:43 发布

DrCrypto

最新推荐文章于 2024-06-11 08:29:43 发布

阅读量8.8k

点赞数 9

分类专栏： Deep Learning

版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/u011240016/article/details/85728682

版权

本文介绍了交叉熵损失函数在深度学习中的应用，包括二元分类情况下的公式，以及One-Hot和非One-Hot编码下的实现。在One-Hot编码下，损失函数仅计算正确解的输出的自然对数。非One-Hot编码时，只需关注神经网络在正确标签处的输出。对于Mini-Batch，损失函数需进行相应调整，涉及矩阵运算。

摘要由CSDN通过智能技术生成

交叉熵损失函数

一般我们学习交叉熵损失函数是在二元分类情况下：

$^ ) ] L=−[ylog ŷ +(1−y)log (1−ŷ )]$

推而广之，我们可以得到下面这个交叉熵损失函数公式：

$E=-\sum_k{t_k}log(y_k)$

最低0.47元/天解锁文章

关注

9
点赞
踩
19

收藏

觉得还不错? 一键收藏
1
评论
【深度学习原理】交叉熵损失函数的实现

交叉熵损失函数一般我们学习交叉熵损失函数是在二元分类情况下：L=−[ylogy^+(1−y)log(1−y^)]L=−[ylog ŷ +(1−y)log (1−ŷ )]L=−[ylogy^+(1−y)log(1−y^)]推而广之，我们可以得到下面这个交叉熵损失函数公式：E=−∑ktklog(yk)E=-\sum_k{t_k}log(y_k)E=−k∑tklog(yk)从...
复制链接

扫一扫

专栏目录

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。