TensorFlow tf.nn.softmax_cross_entropy_with_logits的用法
作者:xf__mao 时间:2021-03-20 19:55:17
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,如果是3,那么标签是[0,0,0,1,0,0,0,0,0,0],除了第4个值为1,其他全为0)
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),最后求一个平均,得到我们想要的loss
注意!!!这个函数的返回值并不是一个数,而是一个向量,如果要求交叉熵,我们要再做一步tf.reduce_sum操作,就是对向量里面所有元素求和,最后才得到,如果求loss,则要做一步tf.reduce_mean操作,对向量求均值!
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(y_*tf.log(y))
#do cross_entropy just one step
cross_entropy2=tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits, y_))#dont forget tf.reduce_sum()!!
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
最后大家可以试试e^1/(e^1+e^2+e^3)是不是0.09003057,发现确实一样!!这也证明了我们的输出是符合公式逻辑的
来源:https://blog.csdn.net/mao_xiao_feng/article/details/53382790
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
[翻译]标记语言和样式手册 Chapter 11 打印样式
![](https://img.aspxhome.com/file/UploadPic/20082/11/2008211185712733s.jpg)
python基础面试题整理
Python为何不能用可变对象作为默认参数的值
![](https://img.aspxhome.com/file/2023/1/105621_0s.jpg)
Python中str.format()方法的具体使用
Python面向对象基础入门之设置对象属性
Python self用法详解
python-opencv实现视频指定帧数间隔图像的保存功能
![](https://img.aspxhome.com/file/2023/4/97224_0s.jpg)
python之pil的使用详解
![](https://img.aspxhome.com/file/2023/8/91988_0s.jpg)
Python采集大学教务系统成绩单实战示例
![](https://img.aspxhome.com/file/2023/5/72715_0s.jpg)
PyTorch两种安装方法
![](https://img.aspxhome.com/file/2023/6/76166_0s.png)
Python使用中文正则表达式匹配指定中文字符串的方法示例
![](https://img.aspxhome.com/file/2023/0/86430_0s.png)
Python实现聊天机器人的示例代码
![](https://img.aspxhome.com/file/2023/5/100995_0s.png)
pytorch如何利用ResNet18进行手写数字识别
python virtualenv虚拟环境配置与使用教程详解
![](https://img.aspxhome.com/file/2023/6/87826_0s.png)
Python过滤txt文件内重复内容的方法
![](https://img.aspxhome.com/file/2023/4/73004_0s.jpg)
用python实现英文字母和相应序数转换的方法
使用pandas实现筛选出指定列值所对应的行
![](https://img.aspxhome.com/file/2023/2/101032_0s.png)
python实现神经网络感知器算法
![](https://img.aspxhome.com/file/2023/9/91979_0s.png)
JavaScript获取事件对象的注意点
Python代理IP爬虫的新手使用教程
![](https://img.aspxhome.com/file/2023/7/105737_0s.jpg)