稀疏分类交叉熵与稀疏分类交叉熵的使用差异

sparsecategoricalcrossentropy,和,SparseCategoricalCrossentropy,用法,区别

这两个函数的功能都是将数字编码转化成one-hot编码格式，然后对one-hot编码格式的数据（真实标签值）与预测出的标签值使用交叉熵损失函数。

先看一下官网给出的对于两个函数定义：

tf.keras.losses.SparseCategoricalCrossentropy(
from_logits=False, reduction=losses_utils.ReductionV2.AUTO,
name=‘sparse_categorical_crossentropy’)

tf.keras.losses.sparse_categorical_crossentropy(
y_true, y_pred, from_logits=False, axis=-1)

函数定义中，最明显的区别是sparse_categorical_crossentropy中在参数中指定y_true（真实标签值）以及y_pred（预测标签值）。

import tensorflow as tf
import numpy as np
y_true = tf.constant([1, 2])
y_pred = tf.constant([[0.05, 0.95, 0], [0.1, 0.8, 0.1]])
loss = tf.reduce_mean(tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred))
scce = tf.keras.losses.SparseCategoricalCrossentropy()

print(loss.numpy())
print(scce(y_true, y_pred).numpy())
运行结果如下： 

sparse_categorical_crossentropy需在参数的部分指定y_true和y_pred
SparseCategoricalCrossentropy在调用部分指定y_true和y_pred

接下来，再对这两个函数的参数进行简单描述：

1. SparseCategoricalCrossentropy

• reduction=‘auto’，这个参数是进行最后的求平均，如果是设置为losses_utils.ReductionV2.None，就不会求平均了

设置为reduction='none' scce = tf.keras.losses.SparseCategoricalCrossentropy(reduction='none') # 输出结果是：

 [0.05129344 2.3025851 ] #

设置为reduction='auto' scce = tf.keras.losses.SparseCategoricalCrossentropy(reduction='auto')

# 输出结果是求平均后的结果：

# 1.1769392