0、交叉熵计算过程

参考： https://blog.csdn.net/qq_31829611/article/details/89195148
两个步骤： 1）softmax 2）计算 cross_entropy

1、典型场景（回归、分类）下的损失函数

总结:对于回归问题经常会使用MSE均方误差（L2取平均）计算损失，对于分类问题经常会使用Sigmoid交叉熵损失函数。

2、典型损失函数的使用方式

2.1 L2正则损失函数（回归场景）

# L2损失
loss_l2_vals=tf.square(y_pred - y_target)
loss_l2_out=sess.run(loss_l2_vals)

# 均方误差
loss_mse_vals= tf.reduce.mean(tf.square(y_pred - y_target))
loss_mse_out = sess.run(loss_mse_vals)

2.2 tf.nn.sigmoid_cross_entropy_with_logits（分类场景）

计算方式：labels和logits的形状都是[batch_size, num_classes]，对输入的logits先通过sigmoid函数计算，再计算它们的交叉熵，但是它对交叉熵的计算方式进行了优化，使得的结果不至于溢出。
适用：每个类别相互独立但互不排斥的情况：例如一幅图可以同时包含一条狗和一只大象。
output不是一个数，而是一个batch中每个样本的loss,所以一般配合tf.reduce_mean(loss)使用。

由于每个类别互不排斥，输出结果都不是有效的概率分布（一个batch内输出结果经过sigmoid后和不为1），那么如何计算他们的交叉熵呢（交叉熵要求输入的是概率分布）。其实loss的计算是element-wise的，方法返回的loss的形状和labels是相同的，也是[batch_size, num_classes]，再调用reduce_mean方法计算batch内的平均loss。所以这里的cross entropy其实是一种class-wise的cross entropy，每一个class是否存在都是一个事件，对每一个事件都求cross entropy loss，再对所有的求平均，作为最终的loss。

import tensorflow as tf
import numpy as np

def sigmoid(x):
    return 1.0/(1+np.exp(-x))

# 5个样本三分类问题，且一个样本可以同时拥有多类
y = np.array([[1,0,0],[0,1,0],[0,0,1],[1,1,0],[0,1,0]] 
logits = np.array([[12,3,2],[3,10,1],[1,2,5],[4,6.5,1.2],[3,6,1]])
# 按计算公式计算
y_pred = sigmoid(logits)
E1 = -y*np.log(y_pred)-(1-y)*np.log(1-y_pred)
print(E1)     # 按计算公式计算的结果

# 按封装方法计算
sess =tf.Session()
y = np.array(y).astype(np.float64) # labels是float64的数据类型
E2 = sess.run(tf.nn.sigmoid_cross_entropy_with_logits(labels=y,logits=logits))
print(E2)     # 按 tf 封装方法计算


#交叉熵计算方式  tf.reduce_sum
loss = tf.reduce_sum(tf.nn.sigmoid_cross_entropy_with_logits(labels=y,logits=logits))


#loss 计算方式 tf.reduce_mean
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y,logits=logits))

#归一化
sigmoid_v = tf.nn.sigmoid(logits, -1)
#类是互斥时，返回多个类别
# 预测权重
pred_probs = sigmoid_v  # 示例，分类是互斥时，这里返回值不是单个值，是向量

#如果只返回最大可能性的类别
pred_prob = tf.reduce_max(sigmoid_v) #预测权重
pred_label = tf.argmax(logits, axis=-1, name='label') # 预测类别

if E1.all() == E2.all():
    print("True")
else:
    print("False")
# 输出的E1，E2结果相同

注意：sigmoid_cross_entropy_with_logits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，需要使用tf.reduce_sum求和，即对向量里面所有元素求和；如果求loss，使用tf.reduce_mean求均值，对向量求均值！

2.3 tf.nn.softmax_cross_entropy_with_logits（分类场景）

labels：和logits具有相同type和shape的张量(tensor)，,是一个有效的概率，sum(labels)=1, one_hot=True(向量中只有一个值为1.0，其他值为0.0)。
计算方式：对输入的logits先通过softmax函数计算，再计算它们的交叉熵，但是它对交叉熵的计算方式进行了优化，使得结果不至于溢出。
适用：每个类别相互独立且排斥的情况，一幅图只能属于一类，而不能同时包含一条狗和一只大象。
output：不是一个数，而是一个batch中每个样本的loss，所以一般配合tf.reduce_mean(loss)使用。

import tensorflow as tf
import numpy as np

def softmax(x):
    sum_raw = np.sum(np.exp(x),axis=-1)
    x1 = np.ones(np.shape(x))
    for i in range(np.shape(x)[0]):
        x1[i] = np.exp(x[i])/sum_raw[i]
    return x1

y = np.array([[1,0,0],[0,1,0],[0,0,1],[1,0,0],[0,1,0]])# 每一行只有一个1
logits =np.array([[12,3,2],[3,10,1],[1,2,5],[4,6.5,1.2],[3,6,1]])
# 按计算公式计算
y_pred =softmax(logits)
E1 = -np.sum(y*np.log(y_pred),-1)
print(E1)
# 按封装方法计算
sess = tf.Session()
y = np.array(y).astype(np.float64)
E2 = sess.run(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=logits))
print(E2)


#交叉熵计算方式
loss = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=logits))

#loss 计算方式
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=logits))

# 归一化
pred_probs = tf.nn.softmax(logits) 
#取归一化后的最大值
max_pred_prob = tf.reduce_max(pred_probs, axis=-1)  

# 预测类别
pred_label = tf.argmax(logits, axis=-1, name='label')  

if E1.all() == E2.all():
    print("True")
else:
    print("False")
# 输出的E1，E2结果相同

2.4 tf.nn.sparse_softmax_cross_entropy_with_logits（分类场景）

这个版本是tf.nn.softmax_cross_entropy_with_logits的易用版本，其logits的形状依然是[batch_size, num_classes]，但是labels的形状是[batch_size, ]，每个label的取值是从[0, num_classes)的离散值，这也更加符合我们的使用习惯，是哪一类就标哪个类对应的label。
如果已经对label进行了one hot编码，则可以直接使用tf.nn.softmax_cross_entropy_with_logits。

labels：shape为[batch_size],labels[i]是{0,1,2,……,num_classes-1}的一个索引, type为int32或int64
计算方式：对输入的logits先通过softmax函数计算，再计算它们的交叉熵，但是它对交叉熵的计算方式进行了优化，使得结果不至于溢出。
适用：每个类别相互独立且排斥的情况，一幅图只能属于一类，而不能同时包含一条狗和一只大象。
output不是一个数，而是一个batch中每个样本的loss,所以一般配合tf.reduce_mean(loss)使用。

import tensorflow as tf

labels = [0,2] #labels形式与softmax_cross_entropy_with_logits不同

logits = [[2,0.5,1],
          [0.1,1,3]]

E1 = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=labels, logits=logits)

with tf.Session() as sess:
    print sess.run(E1)
>>>[ 0.46436879  0.17425454]

总结：到底是用sigmoid版本的cross entropy还是softmax版本的cross entropy主要取决于我们模型的目的，以及label的组织方式，这个需要大家在使用的时候去揣摩，到底使用哪一种loss比较合理。

3、Symmetric Cross Entropy

参考: https://blog.csdn.net/jackzhang11/article/details/116197889
如何在标注存在错误（Noisy label）的数据上训练模型一直是机器学习/深度学习中一个重要且有挑战性的任务。Cross Entropy机器学习分类任务中常用的目标函数，然而它在不同类别上的学习速度却是很不一致，在部分类别上可能很快就对错误的标签发生过拟合，对其他类别可能还出去欠拟合状态。这里介绍的Symmetric Cross Entropy，用于缓解这个问题。

其中p是预测结果，q是训练label。计算举例：

posted @ 2021-01-07 12:55 chease 阅读(248) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

chease

损失函数相关