【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法_xf__mao的博客-CSDN博客 https://blog.csdn.net/mao_xiao_feng/article/details/53382790#

在計算loss的時候，最常見的一句話就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？

首先明確一點，loss是代價值，也就是我們要最小化的值

tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)

與方法有關的一共兩個參數 ：

第一個參數logits：就是神經網絡最后一層的輸出，如果有batch（批處理）的話，它的大小就是[batchsize，num_classes]，單樣本的話，大小就是num_classes

第二個參數labels：實際的標簽，大小同上

具體的執行流程大概分為兩步：
第一步是先對網絡最后一層的輸出做一個softmax（歸一化處理），這一步通常是求取輸出屬于某一類的概率，對于單樣本而言，輸出就是一個num_classes大小的向量（[Y1，Y2,Y3…]其中Y1，Y2，Y3…分別代表了是屬于該類的概率）

softmax的公式是：

至于為什么是用的這個公式？這里不介紹了，涉及到比較多的理論證明

第二步是softmax的輸出向量[Y1，Y2,Y3…]和樣本的實際標簽，做一個交叉熵，公式如下：

其中yi'指代實際的標簽中第 i 個的值
（用mnist數據舉例，如果是3，那么標簽是[0，0，0，1，0，0，0，0，0，0]，除了第4個值為1，其他全為0）(感覺就是one hot類型的數據）

yi就是softmax的輸出向量[Y1，Y2,Y3…]中，第i個元素的值
顯而易見，預測yi越準確，結果的值越小（別忘了前面還有負號），最后求一個平均，得到我們想要的loss

注意！！！

• 這個函數的返回值:并不是一個數，而是一個向量，

• 如果要求交叉熵，我們要再做一步tf.reduce_sum操作,就是對向量里面所有元素求和，最后才得到，

• 如果求loss，則要做一步tf.reduce_mean操作，對向量求均值！

上代碼：

import tensorflow as tf#our NN's output 假設為：神經網絡的最后一層輸出 logits=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]]) #step1:do softmax 使用softmax進行歸一化處理 y=tf.nn.softmax(logits) #true label 監督學習中，數據輸入網絡前的正確的標簽 y_=tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]]) #step2:do cross_entropy 求交叉熵損壞的方法一 cross_entropy = -tf.reduce_sum(y_*tf.log(y)) #do cross_entropy just one step 求交叉熵損壞的方法二：使用本次講解的函數 cross_entropy2=tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits, y_))#dont forget tf.reduce_sum()!!with tf.Session() as sess:softmax=sess.run(y)c_e = sess.run(cross_entropy)c_e2 = sess.run(cross_entropy2)print("step1:softmax result=")print(softmax)print("step2:cross_entropy result=")print(c_e)print("Function(softmax_cross_entropy_with_logits) result=")print(c_e2)

輸出結果是：

step1:softmax result= [[ 0.09003057 0.24472848 0.66524094][ 0.09003057 0.24472848 0.66524094][ 0.09003057 0.24472848 0.66524094]] step2:cross_entropy result= 1.22282 Function(softmax_cross_entropy_with_logits) result= 1.2228

最后大家可以試試e^1/(e1+e^2+e3)是不是0.09003057，發現確實一樣！！這也證明了 我們的輸出是符合公式邏輯的

還有一篇，建議結合起來看：
【TensorFlow】tf.nn.softmax_cross_entropy_with_logits中的“logits”到底是個什么意思？

總結

以上是生活随笔為你收集整理的【TensorFlow】tf.nn.softmax_cross_entropy_with_logits 函数：求交叉熵损失的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。