TensorFlow：分类问题的损失函数

交叉熵损失函数：

在分类问题中最常用的方法是设置n个输出节点，其中n为类别的个数。对于每一个样例，神经网络可以得到一个n维数组作为输出结果。例如在识别数字中一共有10个可能的结果，对于识别数字1，神经网络的输出结果应该越接近[0,1,0,0,0,0,0,0,0,0]越好，所以我们需要构建一个评价输出向量和期望向量距离的指标。交叉熵是常用的评判方法之一。
给定两个概率分布p和q，通过q来表示p的交叉熵为：
$$H(p,q)=-\sum _{x}p(x)logq(x)$$

• List item

交叉熵刻画了两个概率分布的距离，然而神经网络输出却不一定是概率分布。概率分布刻画了不同事件发生的概率。在分类问题中，“一个样本属于某个类别”看作一个概率事件，那么训练数据的正确答案就符合一个概率分布。例如一个三分类的样本期望输出是(1,0,0），实际输出(x,y,z)中x应为样本是第一类的概率，y应为样本是第二类的概率，z应为样本是第三类的概率，所以理论上x+y+z=1。但是神经网络前向传播的输出结果却不尽人意。这时候需要谈到Softmax回归。
假设原始的神经网络输出为$$y_1,y_2,...,y_n,$$那么经过Softmax回归处理的输出为：
$$softmax(y{)}_i=y_i^{\prime }=\frac{e^{y_i}}{{\sum }_{j=1}^n{e}^{y_j}}$$
这样就可以将神经网络的输出经过softmax回归用作置信度来生成新的输出。
举个例子：
对于某个三分类问题，某个样本的正确答案为(1,0,0)。其模型经过Softmax回归后的答案是(0.5,0.4,0.1),那么这个预测和正确答案之间的交叉熵为：
$$H((1,0,0),(0.5,0.4,0.1))=-(1\times \log 0.5+0\times \log 0.4+0\times \log 0.1)\approx 0.3$$
如果另外一个模型的预测是(0.8,0.1,0.1),那么这个预测和真实值之间的交叉熵是：
$$H((1,0,0),(0.8,0.1,0.1))=-(1\times \log 0.8+0\times \log 0.1+0\times \log 0.1)\approx 0.1$$
tensorflow中实现交叉熵的代码是：

cross_entropy=-tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10,1.0))) 

其中y_表示正确结果，y是预测结果。这行代码包含了4个不同的tf运算。通过tf.clip_by_value函数可以将一个张量中的数值限制在一个范围之内（比如log0是无效的）。

v=tf.constant([[1.0,2.0,3.0],[4.0,5.0,6.0]]) print tf.clip_by_value(v,2.5,4.5).eval() #输出[[2.5,2.5,3.][4. 4.5 4.5] 

tf.log函数是对张量中所有元素依次求对数。
“*”表示乘法，这不是矩阵乘法，是元素间直接相乘。
矩阵乘法是tf.matmul，下面解释二者区别：

v1=tf.constant([[1.0.2.0],[3.0,4.0]]) v2=tf.constant([[5.0.6.0],[7.0,8.0]]) print (v1*v2).eval() #[[5. 12.][21. 32.]] print tf.matmul(v1,v2).eval() #[[19. 22.][43. 50.]]  

tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值，如下：

import tensorflow as tf
v=tf.constant([[1.,2.,3.],[4.,5.,6.]]) with tf.Session() as sess: print (tf.reduce_mean(v).eval()) #输出3.5 

一般情况下交叉熵要在softmax回归后使用，所以tensorflow对这两个功能进行了封装，提供了tf.nn.softmax_cross_entropy_with_logits函数：

cross_entropy=tf.nn.softmax_cross_entropy_with_logits(labels=y_,logits=y) 

其中y是神经网络输出结果，而y_是标准答案，通过这个函数可以得到Softmax回归之后的交叉熵。

均方误差损失函数

与分类问题不同，回归问题解决的是对具体数值的预测，比如房价预测、销量预测等。这些问题需要输出的预测不是一个事先定义好的类别，而是一个任意实数。所以这些问题的神经网络一般只有一个输出节点，这个节点输出预测值。对于回归问题最常用的损失函数是均方误差（MSE）：
$$MSE(y,y^{\prime })=\frac{{\sum }_{i=1}^n(y_i-y_i^{\prime }{)}^2}{n}$$
其中yi为一个batch中第i个数据的正确答案，yi‘为预测值。以下代码实现MSE：

mse=tf.reduce_mean(tf.square(y_-y)) 

本文地址：https://blog.csdn.net/qq_45047020/article/details/108742828