回归损失函数：Log-Cosh Loss

回归损失函数：Log-Cosh Loss

2019年05月07日 16:20:37 Peanut_范 阅读数 653更多

分类专栏： 损失函数

 

Log-Cosh损失函数

Log-Cosh是应用于回归任务中的另一种损失函数，它比L2损失更平滑。Log-cosh是预测误差的双曲余弦的对数。


优点：
对于较小的X值，log(cosh(x))约等于(x ** 2) / 2；对于较大的X值，则约等于abs(x) - log(2)。这意味着Log-cosh很大程度上工作原理和平均方误差很像，但偶尔出现错的离谱的预测时对它影响又不是很大。它具备了Huber损失函数的所有优点，但不像Huber损失，它在所有地方都二次可微。
但Log-cosh也不是完美无缺。如果始终出现非常大的偏离目标的预测值时，它就会遭受梯度问题。

Log-cosh损失函数的Python代码：

# log cosh 损失
def logcosh(true, pred):
    loss = np.log(np.cosh(pred - true))return np.sum(loss)

• 1
• 2
• 3

摘录：https://zhuanlan.zhihu.com/p/39239829

 

 

 

1. from keras.layers import Input,Embedding,LSTM,Dense
2.  
   from keras.models import Model
3.  
   from keras import backend as K
4.  
    
5.  
   word_size = 128
6.  
   nb_features = 10000
7.  
   nb_classes = 10
8.  
   encode_size = 64
9.  
    
10.  
    input = Input(shape=(None,))
11.  
    embedded = Embedding(nb_features,word_size)(input)
12.  
    encoder = LSTM(encode_size)(embedded)
13.  
    predict = Dense(nb_classes)(encoder)
1.  

2. # log cosh 损失
   def logcosh(true, pred):
       loss = np.log(np.cosh(pred - true))return np.sum(loss)

5.  
   def mycrossentropy(y_true, y_pred, e=0.1):
6.  
   return (1-e)*K.categorical_crossentropy(y_pred,y_true) + e*K.categorical_crossentropy(y_pred, K.ones_like(y_pred)/nb_classes)
7.  
    
8.  
   model = Model(inputs=input, outputs=predict)
9.  
   model.compile(optimizer='adam', loss=mycrossentropy)