我不完全理解如何计算交叉熵误差。由于某些负数的对数未定义（或虚数）且神经网络的输出可能是一些负数（权重和偏差是随机初始化的），因此我经常得到NaN作为结果。我该如何避免？
示例：
output[] = {-0.78, -0.98, 0.78, -0.68};
target[] = {-1.0, -1.0, 1.0, 1.0};
error = ln(0.78) * 1.0 + ln(-0.68) * 1.0;
答案 0 :(得分：1)
如果您的任务是二进制分类，我建议您更改目标值＆＃34; -1＆＃34;到＆＃34; 0＆＃34;。在最后一层，输出层，你有两个神经元（每个类一个）。对于神经网络的输出，你应该使用softmax function，它为每个类分配概率（意思是，你没有负值）。最后，每个实例的输出是类的标签，它对应于这两个概率中较大的一个。
答案 1 :(得分：0)
在交叉熵的定义中显示了两个概率分布之间的量化差异。在机器学习的情况下，它计算您的“目标”（真实值）与您的模型“输出”预测的值之间的差异。 概率可能仅在范围[0; 1]内变化，并且在任何情况下都可能不是负的。负数在概率方面没有任何意义。