tf.keras.losses.CategoricalCrossentropy函数

函数原型

tf.keras.losses.CategoricalCrossentropy(
    from_logits=False,
    label_smoothing=0.0,
    axis=-1,
    reduction=losses_utils.ReductionV2.AUTO,
    name='categorical_crossentropy'
)

函数说明

CategoricalCrossentropy函数用于计算多分类问题的交叉熵。使用的公式如下：

参数from_logtis默认为False， 表示输出的logits需要经过激活函数的处理。如果为True，则不需要经过激活函数的处理。

函数使用

CategoricalCrossentropy函数用于y_true的标签为one_hot编码的形式，如果y_true的标签为整数类型的数，则需要用到另外一个SparseCategoricalCrossentropy函数。

# y_true为one_hot编码形式，[0, 0, 1]对应类型2，[0, 1, 0]对应类型1，[1, 0, 0]对应类型0
# y_pred为各个类型对应的概率，比如[0.5, 0.3, 0.2]表示对应类型1的概率为0.5，对应类型2的概率为0.3
>>> y_true = [[0, 0, 1], [0, 1, 0], [0, 1, 0]]
>>> y_pred = [[0.5, 0.3, 0.2], [0.3, 0.6, 0.1], [0.4, 0.4, 0.2]]
>>> loss = tf.keras.losses.CategoricalCrossentropy()
>>> loss_calc = loss(y_true, y_pred)
>>> loss_calc
<tf.Tensor: shape=(), dtype=float32, numpy=1.0121847>

# 对比
# y_true为整数标签形式
>>> y_true = [2, 1, 1]
>>> y_pred = [[0.5, 0.3, 0.2], [0.3, 0.6, 0.1], [0.4, 0.4, 0.2]]
>>> loss = tf.keras.losses.SparseCategoricalCrossentropy()
>>> loss_calc = loss(y_true, y_pred)
>>> loss_calc
<tf.Tensor: shape=(), dtype=float32, numpy=1.0121847>

# y_pred为没有经过激活函数处理的logits
>>> y_true = [[0, 0, 1], [0, 1, 0], [0, 1, 0]]
>>> y_pred = [[-13.0, 23.0, 6.0], [3.0, 5.0, -22.0], [3.0, 4.0, 9.0]]
>>> loss = tf.keras.losses.CategoricalCrossentropy()
>>> loss_calc = loss(y_true, y_pred)
>>> loss_calc
<tf.Tensor: shape=(), dtype=float32, numpy=6.1617393>

这篇好文章是转载于：学新通技术网