多分類損失函數(shù)

label.shape:[batch_size]; pred.shape: [batch_size, num_classes]

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

- y_true 真實(shí)值， y_pred 預(yù)測(cè)值

- from_logits,我的理解是，如果預(yù)測(cè)結(jié)果經(jīng)過了softmax(單次預(yù)測(cè)結(jié)果滿足和為1)就使用設(shè)為`False`,

如果預(yù)測(cè)結(jié)果未經(jīng)過softmax就設(shè)為`True`.

pred = tf.convert_to_tensor([[0.9, 0.05, 0.05], [0.5, 0.89, 0.6], [2.05, 0.01, 0.94]])

label = tf.convert_to_tensor([0, 1, 2])

loss = tf.keras.losses.sparse_categorical_crossentropy(label, pred)

print(loss.numpy())

# 包含 reduction 參數(shù), 用于對(duì)一個(gè)批次的損失函數(shù)求平均值,求和等

# loss = tf.keras.losses.SparseCategoricalCrossentropy()(label, pred)

label.shape:[batch_size, num_classes](one_hot);pred.shape:[batch_size, num_classes]

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

- y_true 真實(shí)值， y_pred 預(yù)測(cè)值

- from_logits 同上

pred = tf.convert_to_tensor([[0.9, 0.05, 0.05], [0.5, 0.89, 0.6], [0.05, 0.01, 0.94]])

label = tf.convert_to_tensor([[1, 0, 0], [0, 1, 0], [0, 0, 1]])

loss = tf.keras.losses.categorical_crossentropy(label, pred)

print(loss.numpy())

二分類損失損失函數(shù)

label = tf.convert_to_tensor([0, 0, 1, 1], dtype=tf.float32)

pred = tf.convert_to_tensor([1, 1, 1, 0], dtype=tf.float32)

loss = tf.keras.losses.BinaryCrossentropy()(label, pred)

print(loss.numpy())

多分類與二分類

通常 categorical_crossentropy與 softmax激活函數(shù)搭配使用; binary_crossentropy 與 sigmoid搭配使用;

以上就是本文的全部內(nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

總結(jié)

以上是生活随笔為你收集整理的tensorflow分类的loss函数_tensorflow 分类损失函数使用小记的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。