Question

嗨，我正试图进入张量流，感觉有点愚蠢。 TF中的log_loss与sklearn的不同吗？

以下是我的代码中的一些行，我是如何计算的：

from sklearn.metrics import log_loss

tmp = np.array(y_test)
y_test_t = np.array([tmp, -(tmp-1)]).T[0]

tf_log_loss = tf.losses.log_loss(predictions=tf.nn.softmax(logits), labels=tf_y)

with tf.Session() as sess:

    # training

    a = sess.run(tf.nn.softmax(logits), feed_dict={tf_x: xtest, keep_prob: 1.})
    print("    sk.log_loss: ", log_loss(y_test, a,eps=1e-7 ))
    print("    tf.log_loss: ", sess.run(tf_log_loss, feed_dict={tf_x: xtest, tf_y: y_test_t, keep_prob: 1.}))

我得到的输出

Epoch  7, Loss:     0.4875 Validation Accuracy: 0.818981
    sk.log_loss:  1.76533018874
    tf.log_loss:  0.396557
Epoch  8, Loss:     0.4850 Validation Accuracy: 0.820738
    sk.log_loss:  1.77217639627
    tf.log_loss:  0.393351
Epoch  9, Loss:     0.4835 Validation Accuracy: 0.823374
    sk.log_loss:  1.78479079656
    tf.log_loss:  0.390572

似乎tf.log_loss收敛sk.log_loss时会发生差异。

Answer 1

我遇到了同样的问题。在查找tf.losses.log_loss的源代码后，其key lines节目显示正在进行：

losses = - math_ops.multiply(labels, math_ops.log(predictions + epsilon))
    - math_ops.multiply((1 - labels), math_ops.log(1 - predictions + epsilon))

二进制日志丢失（即每个类被视为非独占）而不是多类日志丢失。

当我处理概率（而不是logits）时，我无法使用tf.nn.softmax_cross_entropy_with_logits（尽管我可以应用对数）。我的解决方案是手动实现对数丢失：

loss = tf.reduce_sum(tf.multiply(- labels, tf.log(probs))) / len(probs)

另见：

Tensorflow和Scikitlearn log_loss函数实现之间的区别

1 个答案: