sequence_loss_by_example(logits, targets, weights）

最新推荐文章于 2024-08-09 17:07:41 发布

小妖精Fsky

最新推荐文章于 2024-08-09 17:07:41 发布

阅读量1.2w

点赞数 1

分类专栏： TensorFlow 文章标签： tensorflow

本文链接：https://blog.csdn.net/appleml/article/details/54017873

版权

该博客探讨了TensorFlow中的sequence_loss_by_example函数，该函数计算加权交叉熵损失，适用于处理序列数据。logits参数为[batch_size x num_decoder_symbols]的2D Tensor列表，返回值为每个序列example的损失。与sequence_loss不同，后者是对前者结果的求和。文章还介绍了logits、targets的形状，并讨论了函数如何计算损失值。

摘要由CSDN通过智能技术生成

这个函数用于计算所有examples（假设一句话有n个单词，一个单词及单词所对应的label就是一个example,所有example就是一句话中所有单词）的加权交叉熵损失，logits参数是一个2D Tensor构成的列表对象，每一个2D Tensor的尺寸为[batch_size x num_decoder_symbols]，函数的返回值是一个1D float类型的Tensor，尺寸为batch_size，其中的每一个元素代表当前输入序列example的交叉熵。另外，还有一个与之类似的函数sequence_loss，它对sequence_loss_by_example函数返回的结果进行了一个tf.reduce_sum运算，因此返回的是一个标称型float Tensor。
进一步理解：
logits 的shape = [batch_size*numsteps, vocab_size], vocab_size是（分类）类别的个数
targets 的shape = [batch_size*num_steps]
sequence_loss_by_example的做法是，针对logits中的每一个num_step,即[batch_size, vocab_size], 对所有vocab_size个预测结果，得出预测值最大的那个类别，与target中的值相比较计算Loss值

http://blog.csdn.net/u012436149/article/details/52874718