我正尝试使用mxnet.metric模块以对数损失指标评估我的分类模型。
我遇到了两个类：CrossEntropy和NegativeLogLikelihood，它们具有相同的定义和非常相似的实现。两者具有用于计算指标值的相同核心代码：
self.sum_metric += (-numpy.log(prob + self.eps)).sum()
如果它们本质上是相同的指标，那么在库中维护这两个功能的目的是什么？二进制和多类别分类首选哪种度量标准？
答案 0 :(得分：2)
实际上，不仅在MXNet中，而且在总体上，这些东西之间没有太大的区别。阅读此Quora可获得更多直观信息：https://www.quora.com/What-are-the-differences-between-maximum-likelihood-and-cross-entropy-as-a-loss-function
至于MXNet中用于多类别分类的内容，那么在大多数示例中，我已经看到人们使用SoftmaxCrossEntropyLoss。在此处查看示例：https://gluon.mxnet.io/chapter02_supervised-learning/softmax-regression-gluon.html