tf.nn.softmax_cross_entropy_with_logits中的“logits”到底是個什么意思？_玉來愈宏的隨筆-CSDN博客 https://blog.csdn.net/yhily2008/article/details/80262321

tf.nn.softmax_cross_entropy_with_logits函數是TensorFlow中常用的求交叉熵的函數。其中函數名中的“logits”是個什么意思呢？它時不時地困惑初學者，下面我們就討論一下。

1.什么是logits？

說到Logits，首先要弄明白什么是Odds？

在英文里，Odds的本意是指幾率、可能性。它和我們常說的概率又有什么區別呢？

在統計學里，概率（Probability） 描述的是 某事件A出現的次數 與 所有事件出現的次數之比:

P(A) = 發生事件A的次數 / 所有事件的次數。 （公式1）

Odds（A）= 發生事件A的概率 / 不發生事件A的概率 (公式2）

換句話說，事件A的Odds 等于 事件A出現的次數 和 其它（非A）事件出現的次數 之比；

相比之下，事件A的概率 等于 事件A出現的次數 與 所有事件的次數 之比。

很容易推導得知：

概率P（A）和Odds（A）的 值域 是不同的。前者被鎖定在 [0,1] 之間，而后者則是 [0,∞) .

這說了半天，又何logit有什么關系呢？

請注意Logit一詞的分解，對它（it）Log（取對數），這里“it”就是Odds。下面我們就可以給出Logit的定義了：

公式4實際上就是所謂Logit變換。

2.Logit變換的意義在哪里

與概率不同的地方在于，Logit的一個很重要的特性，就是它沒有上下限，如圖1所示。

通過變換，Logit的值域沒有上下界限，這就給建模提供了方便。

想象這么一個場景，我們想研究某個事件A發送的概率P，P值的大小和某些因素相關，例如研究有毒藥物的使用劑量大小（x）和被測小白鼠的死亡率（P）之間的關系。

很顯然，死亡率P和x是正相關的，但由于P的值域在[0,1]之間，而x的取值范圍要寬廣得多。P不太可能是x的線性關系或二次函數，一般的多項式函數也不太適合，這就給此類函數的擬合（回歸分析）帶來麻煩。

此外，當P接近于0或1的時候，即使一些因素變化很大，P的值也不會有顯著變化。

例如，對于高可靠系統，可靠度P已經是0.997了，倘若在改善條件、提高工藝和改進體系結構，可靠度的提升只能是小數點后后三位甚至后四位，單純靠P來度量，已經讓我們無所適從，不知道改善條件、提高工藝和改進體系結構到底有多大作用。

再比如，宏觀來看，災難性天氣發送的概率P非常低（接近于0），但這類事件類似于黑天鵝事件（特征為：影響重大、難以預測及事后可解釋），由于P對接近于0的事件不敏感，通過P來度量，很難找到刻畫發生這類事件的前兆信息。

這時，Logit函數的優勢就體現出來了。從圖1可以看出，在P=0或P=1附近，Logit非常敏感（值域變化非常大）。通過Logit變換，P從0到1變化時，Logit是從到。Logit值域的不受限，讓回歸擬合變得容易了！

通常，我們先借助Logit變換，讓我們方便擬合數據（即邏輯回歸），然后再變換回我們熟悉的 概率 。就是這么一個循環，為數據分析提供了便利。某種程度上，這類變換，非常類似于化學中的催化劑。

在化學反應里， 催化劑 能改變反應物化學反應速率而不改變化學平衡，且本身的質量和化學性質在化學反應前后都沒有發生改變。

事實上，在多分類（如手寫識別等）中，某種 分類器的輸出 （即分類的打分），也稱為logits，即使它和Odds的本意并沒有多大聯系，但它們通過某種變換（如Softmax變換），也能變成“概率模型”，比如下面我們即將講到的Softmax變換。

3. TensorFlow中的Softmax函數：tf.nn.softmax_cross_entropy_with_logits

再回到softmax函數的討論上。

tf.nn.softmax_cross_entropy_with_logits(_sentinel=None,labels=None,logits=None,dim=-1,name=None )

這個函數的功能就是計算labels 和logits 之間的交叉熵（cross entropy）。

交叉熵（Cross Entropy）是Shannon信息論中一個重要概念，主要用于度量兩個概率分布間的差異性信息。

第一個參數基本不用。此處不說明。

第二個參數label的含義就是一個分類標簽，所不同的是，這個label是分類的概率，
—比如說[0.2,0.3,0.5]，labels的每一行必須是一個概率分布（即概率之和，加起來為1）。

現在來說明第三個參數logits，logit的值域范圍**[-inf,+inf]**（即正負無窮區間）。
—我們可以把logist理解為原生態的、未經縮放的，可視為一種未歸一化的l“概率替代物”，如[4, 1, -2]。它可以是其他分類器（如邏輯回歸等、SVM等）的輸出。
（即，沒有經過softmax歸一化的“概率”）

softmax歸一化：

Softmax把 概率替代物（logits） 從 [-inf, +inf] 映射到[0,1]。此外，Softmax還保證把所有參與映射的值，累計之和等于1，
變成諸如 [0.95, 0.05, 0] 的概率向量。這樣一來，經過Softmax加工的數據可以當做概率來用（如圖2所示）。

經過softmax的加工，就變成“歸一化”的概率（設為p1），這個新生成的概率p1，和labels所代表的概率分布（設為p2）一起作為參數，用來計算交叉熵。

• 說白了，就是把模型訓練，得到的預測值，和正確的標簽，計算交叉熵損失函數。

這個差異信息，作為我們網絡調參的依據，理想情況下，這兩個分布盡量趨近最好。如果有差異（也可以理解為誤差信號），我們就調整參數，讓其變得更小，這就是損失（誤差）函數的作用。

最終通過不斷地調參，logit被鎖定在一個最佳值（所謂最佳，是指讓交叉熵最小，此時的網絡參數也是最優的）。softmax和 交叉熵 的工作流程如圖3所示

圖3 從Odds值到概率值（圖片來源：互聯網）

• x作輸入，經過線性模型，與權重W相乘，加上偏置b，得到未經過歸一化處理的 “概率” :logits，
• “概率” :logits，經過softmax歸一化處理得到預測的 概率 ，
• 再經過損失（誤差）函數，計算交叉熵，如果不理想，就經過反向傳播算法，不斷調整權重、偏置，
  -經過模型訓練， 最終得到預測的（one hot類型）的標簽。

下面我們列舉一個案例說明：

#!/usr/bin/env python3 # -*- coding: utf-8 -*- import tensorflow as tflabels = [[0.2,0.3,0.5],#假設為：輸入的正確的標簽[0.1,0.6,0.3]] logits = [[4,1,-2],#假設為：未經過歸一化的“概率”[0.1,1,3]]logits_scaled = tf.nn.softmax(logits)result = tf.nn.softmax_cross_entropy_with_logits(labels=labels, logits=logits)with tf.Session() as sess:print (sess.run(logits_scaled))print (sess.run(result))

運行結果：

#經過softmax歸一化的 概率，每一行加起來都為1 [[0.95033026 0.04731416 0.00235563][0.04622407 0.11369288 0.84008306]]#求得的交叉熵損失 [3.9509459 1.6642545]

需要注意的是：

（1）如果labels的每一行是one-hot表示，也就是只有一個地方為1（或者說100%），其他地方為0（或者說0%），還可以使用tf.sparse_softmax_cross_entropy_with_logits()。之所以用100%和0%描述，就是讓它看起來像一個概率分布。

（2）tf.nn.softmax_cross_entropy_with_logits（）函數已經過時 (deprecated)，它在TensorFlow未來的版本中將被去除。取而代之的是

tf.nn.softmax_cross_entropy_with_logits_v2（）。

(3)參數labels,logits必須有相同的形狀 [batch_size, num_classes] 和相同的類型(float16, float32, float64)中的一種，否則交叉熵無法計算。

（4）tf.nn.softmax_cross_entropy_with_logits 函數內部的 logits 不能進行縮放，因為在這個工作會在該函數內部進行（注意函數名稱中的 softmax ，它負責完成原始數據的歸一化），如果 logits 進行了縮放，那么反而會影響計算正確性。

節選自 張玉宏《深度學習之美》第11章節，電子工業出版社，博文視點，2018年7月出版

建議結合起來看：
【TensorFlow】tf.nn.softmax_cross_entropy_with_logits 函數：求交叉熵損失

總結

以上是生活随笔為你收集整理的【TensorFlow】tf.nn.softmax_cross_entropy_with_logits中的“logits”到底是个什么意思？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。