softmax_cross_entropy_with_logits

最新推荐文章于 2022-01-10 11:01:42 发布

weixin_34302561

最新推荐文章于 2022-01-10 11:01:42 发布

阅读量133

点赞数

文章标签： python 人工智能

原文链接：https://my.oschina.net/u/1270234/blog/1585631

版权

2019独角兽企业重金招聘Python工程师标准>>>

在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？

首先明确一点，loss是代价值，也就是我们要最小化的值

tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)

除去name参数用以指定该操作的name，与方法有关的一共两个参数：

第一个参数logits：就是神经网络最后一层的输出，如果有batch的话，它的大小就是[batchsize，num_classes]，单样本的话，大小就是num_classes

第二个参数labels：实际的标签，大小同上

具体的执行流程大概分为两步：

第一步是先对网络最后一层的输出做一个softmax，这一步通常是求取输出属于某一类的概率，对于单样本而言，输出就是一个num_classes大小的向量[Y1，Y2，Y3...]（其中Y1，Y2，Y3...分别代表了是属于该类的概率）

softmax的公式是：

至于为什么是用的这个公式？这里不介绍了，涉及到比较多的理论证明

第二步是softmax的输出向量[Y1，Y2，Y3...]和样本的实际标签做一个交叉熵，公式如下：

其中指代实际的标签中第i个的值（用mnist数据举例，如果标签是3，即[0，0，0，1，0，0，0，0，0，0]，除了第4个值为1，其他全为0，i是3（下标从0开始），那么就是1）

就是softmax的输出向量[Y1，Y2，Y3...]中，第i个元素的值

显而易见，预测越准确，结果的值越小（别忘了前面还有负号），最后一个和，得到我们想要的交叉熵

注意！！！这个函数的返回值并不是一个数，而是一个[batchsize]向量，如果要求损失，我们要再做一步tf.reduce_sum操作或者tf.reduce_mean

tf.nn.sparse_softmax_cross_entropy_with_logits是一个类似的方法，区别是参数labels，它的大小是[batchsize]，（举例，如果batchsize=2，那么输入可能是[3, 6]，而不是[[0，0，0，1，0，0，0，0，0，0], [0，0，0，0，0，0，1，0，0，0]]）

理论讲完了，上代码

import tensorflow as tf  

  

#our NN's output  

logits=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])  

#step1:do softmax  

y=tf.nn.softmax(logits)  

#true label  

y_=tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]])  

#step2:do cross_entropy  

cross_entropy = tf.reduce_sum(-tf.reduce_sum(y_*tf.log(y), axis=1))

#do cross_entropy just one step  

cross_entropy2 = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits, y_))

 

with tf.Session() as sess:  

    softmax=sess.run(y)  

    c_e = sess.run(cross_entropy)  

    c_e2 = sess.run(cross_entropy2)  

    print("step1:softmax result=")  

    print(softmax)  

    print("step2:cross_entropy result=")  

    print(c_e)  

    print("Function(softmax_cross_entropy_with_logits) result=")  

    print(c_e2)

输出结果是：

step1:softmax result=  

[[ 0.09003057  0.24472848  0.66524094]  

 [ 0.09003057  0.24472848  0.66524094]  

 [ 0.09003057  0.24472848  0.66524094]]  

step2:cross_entropy result=  

1.22282  

Function(softmax_cross_entropy_with_logits) result=  

1.2228

转载于:https://my.oschina.net/u/1270234/blog/1585631