在计算loss的时候,最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits,那么它到底是怎么做的呢?
首先明确一点,loss是代价值,也就是我们要最小化的值
tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)
除去name参数用以指定该操作的name,与方法有关的一共两个参数:
第一个参数logits:就是神经网络最后一层的输出,如果有batch的话,它的大小就是[batchsize,num_classes],单样本的话,大小就是num_classes
第二个参数labels:实际的标签,大小同上
具体的执行流程大概分为两步:
第一步是先对网络最后一层的输出做一个softmax,这一步通常是求取输出属于某一类的概率,对于单样本而言,输出就是一个num_classes大小的向量[Y1,Y2,Y3...](其中Y1,Y2,Y3...分别代表了是属于该类的概率)
softmax的公式是:
至于为什么是用的这个公式?这里不介绍了,涉及到比较多的理论证明
第二步是softmax的输出向量[Y1,Y2,Y3...]和样本的实际标签做一个交叉熵,公式如下:
其中指代实际的标签中第i个的值(用mnist数据举例,如果标签是3,即[0,0,0,1,0,0,0,0,0,0],除了第4个值为1,其他全为0,i是3(下标从0开始),那么就是1)
就是softmax的输出向量[Y1,Y2,Y3...]中,第i个元素的值
显而易见,预测越准确,结果的值越小(别忘了前面还有负号),最后一个和,得到我们想要的交叉熵
注意!!!这个函数的返回值并不是一个数,而是一个[batchsize]向量,如果要求损失,我们要再做一步tf.reduce_sum操作或者tf.reduce_mean
tf.nn.sparse_softmax_cross_entropy_with_logits是一个类似的方法,区别是参数labels,它的大小是[batchsize],(举例,如果batchsize=2,那么输入可能是[3, 6],而不是[[0,0,0,1,0,0,0,0,0,0], [0,0,0,0,0,0,1,0,0,0]])
理论讲完了,上代码
1. import tensorflow as tf
2.
3. #our NN's output
4. logits=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])
5. #step1:do softmax
6. y=tf.nn.softmax(logits)
7. #true label
8. y_=tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]])
9. #step2:do cross_entropy
10. cross_entropy = tf.reduce_sum(-tf.reduce_sum(y_*tf.log(y), axis=1))
11. #do cross_entropy just one step
12. cross_entropy2 = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits, y_))
13.
14. with tf.Session() as sess:
15. softmax=sess.run(y)
16. c_e = sess.run(cross_entropy)
17. c_e2 = sess.run(cross_entropy2)
18. print("step1:softmax result=")
19. print(softmax)
20. print("step2:cross_entropy result=")
21. print(c_e)
22. print("Function(softmax_cross_entropy_with_logits) result=")
23. print(c_e2)
输出结果是:
1. step1:softmax result=
2. [[ 0.09003057 0.24472848 0.66524094]
3. [ 0.09003057 0.24472848 0.66524094]
4. [ 0.09003057 0.24472848 0.66524094]]
5. step2:cross_entropy result=
6. 1.22282
7. Function(softmax_cross_entropy_with_logits) result=
8. 1.2228