-
16-10-2019 - |
题
我正在以以下方式计算成本:
cross_entropy = tf.nn.softmax_cross_entropy_with_logits(y, y_)
cost = tf.reduce_mean(cross_entropy);
对于第一个成本,我将获得0.693147,当参数/权重初始化为0时,这可以预期在二进制分类中。
我使用的是一个_hot标签。
但是,在使用随机梯度下降完成训练时期后,我发现的成本大于1。
这是预期的吗?
解决方案
以下代码本质上确实是TF的 softmax_cross_entropy_with_logits
函数确实(在软性上的crossentropy y_
和 y
):
import scipy as sp
import numpy as np
def softmax(x):
e_x = np.exp(x - np.max(x))
return e_x / e_x.sum(axis=0)
def crossentropy(true, pred):
epsilon = 1e-15
pred = sp.maximum(epsilon, pred)
pred = sp.minimum(1-epsilon, pred)
ll = -sum(
true * sp.log(pred) + \
sp.subtract(1,true) * \
sp.log(sp.subtract(1, pred))
) / len(true)
return ll
==
true = [1., 0.]
pred = [5.0, 0.5]
true = softmax(true)
pred = softmax(pred)
print true
print pred
print crossentropy(true, pred)
==
[ 0.73105858 0.26894142]
[ 0.98901306 0.01098694]
1.22128414101
如您所见,没有理由为什么二进制分类的crossentropy不能> 1> 1,并且不难提出这样的示例。
**上面的crossentropy的计算如 https://www.kaggle.com/wiki/logarithmicloss, ,softmax如 https://en.wikipedia.org/wiki/softmax_function
upd:当logloss> 1 so时,它的含义有很好的解释: https://stackoverflow.com/a/35015188/1166478