交叉熵（Cross Entropy）是Loss函数的一种（也称为损失函数或代价函数），用于描述模型预测值与真实值的差距大小，常见的Loss函数就是均方平方差（Mean Squared Error）
交叉熵的原理
交叉熵刻画的是实际输出（概率）与期望输出（概率）的距离，也就是交叉熵的值越小，两个概率分布就越接近。假设概率分布p为期望输出，概率分布q为实际输出，H(p,q)为交叉熵，则：
这个公式如何表征距离呢，举个例子：假设N=3，期望输出为p=(1,0,0)，实际输出q1=(0.5,0.2,0.3)，q2=(0.8,0.1,0.1)，那么：
TensorFlow的交叉熵函数
TensorFlow针对分类问题，实现了四个交叉熵函数，分别是
1.tf.nn.sigmoid_cross_entropy_with_logits
计算 给定 logits 的sigmoid函数 交叉熵。
2.tf.nn.softmax_cross_entropy_with_logits
计算 logits 和 labels 之间的 softmax 交叉熵
3.tf.nn.sparse_softmax_cross_entropy_with_logits
计算 logits 和 labels 之间的 稀疏softmax 交叉熵
4.tf.nn.weighted_cross_entropy_with_logits
计算加权交叉熵
softmax_cross_entropy_with_logits和sparse_softmax_cross_entropy_with_logits区别
英文解释:
Having two different functions is a convenience, as they produce the same result.
The difference is simple:
- For sparse_softmax_cross_entropy_with_logits, labels must have the shape [batch_size] and the dtype int32 or int64. Each label is an int in range [0, num_classes-1].
- For softmax_cross_entropy_with_logits, labels must have the shape [batch_size, num_classes] and dtype float32 or float64.
Labels used in softmax_cross_entropy_with_logits are the one hot version of labels used in sparse_softmax_cross_entropy_with_logits.
Another tiny difference is that with sparse_softmax_cross_entropy_with_logits, you can give -1 as a label to have loss 0 on this label.
独热编码one_hot
v = tuple(range(0, 5))
v_onehot = tf.one_hot(v, len(v))
v2 = tf.keras.utils.to_categorical(v,num_classes=len(v) )
print("v_onehot:\\n",v_onehot)
print("v2:\\n",v2, type(v2))
<code>v_onehot:
tf.Tensor(
[[1. 0. 0. 0. 0.]
[0. 1. 0. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 1. 0.]
[0. 0. 0. 0. 1.]], shape=(5, 5), dtype=float32)
v2:
[[1. 0. 0. 0. 0.]
[0. 1. 0. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 1. 0.]
[0. 0. 0. 0. 1.]] <class>/<code>
閱讀更多 公子小悅 的文章
