使用TensorFlow编写损失函数 交叉熵(cross entrophy)| 均方误差(MSE)
来源:互联网 发布:java svn插件 编辑:程序博客网 时间:2024/05/22 15:56
一. 交叉熵,用于分类问题:
4分类问题,数据的批大小为2,所以此处标签可以用 2*4的矩阵表示,特别注意:输出层为softmax层。
y_:数据的正确标签,用one hot码表示
y1:第一批输入softmax层的激活值
y2:第二批输入softmax层的激活值
output1:第一批的最终输出结果
output2:~
cross_entropy1:使用y1的交叉熵
cross_entropy2:~
这里说明一下为什么使用softmax层作为输出层:
1. 使用softmax即假设每种分类之间是相互对立的,因此所有的输出值相加为1(即输出的所有概率之和为1),如果没有相互对立的假设,则不能使用softmax
(例如:当对一个人按肤色进行分类预测时,由于一个人只有可能是黄、白、黑三种之一,因此 p(白) + p(黄) + p(黑)=1,此时可以使用softmax作为输出层);
2. softmax可以令每一个元素属于(0,1)的范围内,从而避免log0发生。
import tensorflow as tfy_ = tf.constant([1,0,0,0,0,0,0,1],dtype=tf.float32,shape=[2,4])y1 = tf.constant([1,0,0,0,0,0,0,1],dtype=tf.float32,shape=[2,4])y2 = tf.constant([5,0,0,0,0,0,0,10],dtype=tf.float32,shape=[2,4])output1 = tf.nn.softmax(y1)output2 = tf.nn.softmax(y2)cross_entropy1 = -tf.reduce_mean(y_*tf.log(output1))cross_entropy2 = -tf.reduce_mean(y_*tf.log(output2))sess = tf.InteractiveSession()print('output 1:',output1.eval())print('output 2:',output2.eval())print('cross entropy 1:',cross_entropy1.eval())print('cross entropy 2:',cross_entropy2.eval())
二、均方误差,用于回归问题:
输出为一个数值,批大小为3,因此是3*1的矩阵可以表示
import tensorflow as tfy_ = tf.constant([1,2,3],dtype=tf.float32,shape=[3,1])y1 = tf.constant([1,2,3],dtype=tf.float32,shape=[3,1])y2 = tf.constant([2,3,4],dtype=tf.float32,shape=[3,1])MSE1 = tf.reduce_mean(tf.square(y1-y_))MSE2 = tf.reduce_mean(tf.square(y2-y_))print('MSE 1:',MSE1.eval())print('MSE 2:',MSE2.eval())
阅读全文
0 0
- 使用TensorFlow编写损失函数 交叉熵(cross entrophy)| 均方误差(MSE)
- mse函数(均方误差函数)
- 损失函数:MSE VS 交叉熵
- 均方误差(MSE)
- 理解交叉熵损失(Cross-Entropy)
- 【联系】二项分布的对数似然函数与交叉熵(cross entropy)损失函数
- 为什么交叉熵损失可以提高具有sigmoid和softmax输出的模型的性能,而使用均方误差损失则会存在很多问题
- TensorFlow 中的交叉熵(Cross Entropy)
- caffe Sigmoid cross entropy loss 交叉熵损失函数
- 交叉熵损失函数(cross entropy loss)快速理解
- caffe Sigmoid cross entropy loss 交叉熵损失函数
- 分类问题中的交叉熵损失和均方损失
- tensorflow入门7 softmax函数和交叉熵损失函数
- 方差(variance)、标准差(Standard Deviation)、均方差、均方根值(RMS)、均方误差(MSE)、均方根误差(RMSE)
- TensorFlow中的tf.nn.softmax_cross_entropy_with_logits 交叉熵 损失函数
- 交叉熵损失函数
- 交叉熵损失函数
- 交叉熵损失函数
- 线程-线程控制
- Caused by: java.lang.IllegalStateException
- 线程死锁
- 浮点数比较
- LengthFieldBasedFrameDecoder使用示例
- 使用TensorFlow编写损失函数 交叉熵(cross entrophy)| 均方误差(MSE)
- Havel定理
- Shell判断字符串包含关系的几种方法
- iOS"死灰复燃SDK"
- 二叉树三种遍历方式的六种实现方法
- Linux C 父子进程 与 有名管道
- Android LayoutInflater总结
- 关于使用广播来通知另外一个界面ui的变化。
- 学生缴费案例