当试图用sigmoid激活函数得到交叉熵时,
之间存在差异loss1 = -tf.reduce_sum(p*tf.log(q), 1)
loss2 = tf.reduce_sum(tf.nn.sigmoid_cross_entropy_with_logits(labels=p, logits=logit_q),1)
但是当使用softmax激活功能时,它们是相同的。
以下是示例代码:
import tensorflow as tf
sess2 = tf.InteractiveSession()
p = tf.placeholder(tf.float32, shape=[None, 5])
logit_q = tf.placeholder(tf.float32, shape=[None, 5])
q = tf.nn.sigmoid(logit_q)
sess.run(tf.global_variables_initializer())
feed_dict = {p: [[0, 0, 0, 1, 0], [1,0,0,0,0]], logit_q: [[0.2, 0.2, 0.2, 0.2, 0.2], [0.3, 0.3, 0.2, 0.1, 0.1]]}
loss1 = -tf.reduce_sum(p*tf.log(q),1).eval(feed_dict)
loss2 = tf.reduce_sum(tf.nn.sigmoid_cross_entropy_with_logits(labels=p, logits=logit_q),1).eval(feed_dict)
print(p.eval(feed_dict), "\n", q.eval(feed_dict))
print("\n",loss1, "\n", loss2)
答案 0 :(得分:61)
您对二进制和多类问题的交叉熵感到困惑。
您使用的公式是正确的,它直接对应于tf.nn.softmax_cross_entropy_with_logits
:
-tf.reduce_sum(p * tf.log(q), axis=1)
预计 p
和q
是N类的概率分布。特别是,N可以是2,如下例所示:
p = tf.placeholder(tf.float32, shape=[None, 2])
logit_q = tf.placeholder(tf.float32, shape=[None, 2])
q = tf.nn.softmax(logit_q)
feed_dict = {
p: [[0, 1],
[1, 0],
[1, 0]],
logit_q: [[0.2, 0.8],
[0.7, 0.3],
[0.5, 0.5]]
}
prob1 = -tf.reduce_sum(p * tf.log(q), axis=1)
prob2 = tf.nn.softmax_cross_entropy_with_logits(labels=p, logits=logit_q)
print(prob1.eval(feed_dict)) # [ 0.43748799 0.51301527 0.69314718]
print(prob2.eval(feed_dict)) # [ 0.43748799 0.51301527 0.69314718]
请注意q
正在计算tf.nn.softmax
,即输出概率分布。所以它仍然是多类交叉熵公式,仅适用于N = 2。
这次正确的公式是
p * -tf.log(q) + (1 - p) * -tf.log(1 - q)
虽然在数学上它是多类案例的部分案例,但p
和q
的含义却不同。在最简单的情况下,每个p
和q
都是一个数字,对应于A类的概率。
重要:不要对常见的p * -tf.log(q)
部分和总和感到困惑。上一个p
是一个单热矢量,现在它是一个数字,零或一个。同样适用于q
- 这是一个概率分布,现在它是一个数字(概率)。
如果p
是向量,则每个单独的组件都被视为独立的二进制分类。参见this answer,其中概述了tensorflow中softmax和sigmoid函数之间的区别。所以定义p = [0, 0, 0, 1, 0]
并不意味着一个热矢量,而是5个不同的特征,其中4个是关闭的,1个是打开的。定义q = [0.2, 0.2, 0.2, 0.2, 0.2]
意味着5个特征中的每个特征都以20%的概率开启。
这解释了在交叉熵之前使用sigmoid
函数:它的目标是将logit压缩到[0, 1]
区间。
上面的公式仍然适用于多个独立的功能,这正是tf.nn.sigmoid_cross_entropy_with_logits
计算的内容:
p = tf.placeholder(tf.float32, shape=[None, 5])
logit_q = tf.placeholder(tf.float32, shape=[None, 5])
q = tf.nn.sigmoid(logit_q)
feed_dict = {
p: [[0, 0, 0, 1, 0],
[1, 0, 0, 0, 0]],
logit_q: [[0.2, 0.2, 0.2, 0.2, 0.2],
[0.3, 0.3, 0.2, 0.1, 0.1]]
}
prob1 = -p * tf.log(q)
prob2 = p * -tf.log(q) + (1 - p) * -tf.log(1 - q)
prob3 = p * -tf.log(tf.sigmoid(logit_q)) + (1-p) * -tf.log(1-tf.sigmoid(logit_q))
prob4 = tf.nn.sigmoid_cross_entropy_with_logits(labels=p, logits=logit_q)
print(prob1.eval(feed_dict))
print(prob2.eval(feed_dict))
print(prob3.eval(feed_dict))
print(prob4.eval(feed_dict))
您应该看到最后三个张量相等,而prob1
只是交叉熵的一部分,所以只有当p
为1
时才包含正确的值:< / p>
[[ 0. 0. 0. 0.59813893 0. ]
[ 0.55435514 0. 0. 0. 0. ]]
[[ 0.79813886 0.79813886 0.79813886 0.59813887 0.79813886]
[ 0.5543552 0.85435522 0.79813886 0.74439669 0.74439669]]
[[ 0.7981388 0.7981388 0.7981388 0.59813893 0.7981388 ]
[ 0.55435514 0.85435534 0.7981388 0.74439663 0.74439663]]
[[ 0.7981388 0.7981388 0.7981388 0.59813893 0.7981388 ]
[ 0.55435514 0.85435534 0.7981388 0.74439663 0.74439663]]
现在应该清楚的是,在-p * tf.log(q)
中axis=1
和private static List<Team> _teams = new ArrayList<>();
public static void main (String[] args)
{
final List<User> allUsers = Arrays.asList(
new User("Lily",1),
new User("Kecia",2),
new User("Tanika",3),
new User("Julieta",4),
new User("Alla",5),
new User("Pennie",6),
new User("Anna",7),
new User("Mohammad",8),
new User("John",9)
);
Collections.shuffle(allUsers);
makeTeams(allUsers);
}
public static void makeTeams(List<User> users)
{
if (users.size() > 9)
{
//here
}
else
{
User first = users.get(0);
User sec = users.get(1);
Team team = new Team(first,sec);
first.setTeam(team);
sec.setTeam(team);
for (User user : users)
{
if (team.getUsers().contains(user))
continue;
team.add(user);
user.setTeam(team);
}
_teams.add(team);
}
_teams.forEach(System.out::println);
}
之间的总和在这个设置中没有意义,尽管它在多类情况下是一个有效的公式
答案 1 :(得分:0)
您可以通过以下方式了解softmax与S型交叉熵之间的差异:
所以反熵是:
p * -tf.log(q)
对于softmax交叉熵,它看起来与上述公式完全相同,
但是对于S形来说,它看起来有点不同,因为它具有多二进制概率分布 对于每个二元概率分布,它是
p * -tf.log(q)+(1-p) * -tf.log(1-q)
p和(1-p)可以视为每个二元概率分布内的两类概率