Python 关于tf.nn.softmax\u cross\u entropy\u与\u logits\u v2

我注意到

tf.nn.softmax\u cross\u entropy\u with\u logits\u v2（标签、登录）

主要执行3个操作：

将softmax应用于logits（y\u hat）以使其正常化：

y\u hat\u softmax=softmax（y\u hat）

计算交叉熵损失：

y\u cross=y\u true*tf.log（y\u hat\u softmax）

实例不同类上的求和：

-tf.reduce\u Sum（y\u交叉，reduce\u索引=[1]）

从中借用的代码完美地演示了这一点

y_true = tf.convert_to_tensor(np.array([[0.0, 1.0, 0.0],[0.0, 0.0, 1.0]]))
y_hat = tf.convert_to_tensor(np.array([[0.5, 1.5, 0.1],[2.2, 1.3, 1.7]]))

# first step
y_hat_softmax = tf.nn.softmax(y_hat)

# second step
y_cross = y_true * tf.log(y_hat_softmax)

# third step
result = - tf.reduce_sum(y_cross, 1)

# use tf.nn.softmax_cross_entropy_with_logits_v2
result_tf = tf.nn.softmax_cross_entropy_with_logits_v2(labels = y_true, logits = y_hat)

with tf.Session() as sess:
    sess.run(result)
    sess.run(result_tf)
    print('y_hat_softmax:\n{0}\n'.format(y_hat_softmax.eval()))
    print('y_true: \n{0}\n'.format(y_true.eval()))
    print('y_cross: \n{0}\n'.format(y_cross.eval()))
    print('result: \n{0}\n'.format(result.eval()))
    print('result_tf: \n{0}'.format(result_tf.eval()))

输出：

y_hat_softmax:
[[0.227863   0.61939586 0.15274114]
[0.49674623 0.20196195 0.30129182]]

y_true: 
[[0. 1. 0.]
[0. 0. 1.]]

y_cross: 
[[-0.         -0.4790107  -0.        ]
[-0.         -0.         -1.19967598]]

result: 
[0.4790107  1.19967598]

result_tf: 
[0.4790107  1.19967598]

然而，一个热标签包括0或1，因此这种二元情况的交叉熵公式如下所示，如和所示：

我在下一个单元格中为这个公式编写代码，结果与上面不同。我的问题是哪一个更好或正确？根据这个公式，tensorflow也有计算交叉熵的函数吗

y_true = np.array([[0.0, 1.0, 0.0], [0.0, 0.0, 1.0]])
y_hat_softmax_from_tf = np.array([[0.227863, 0.61939586, 0.15274114], 
                              [0.49674623, 0.20196195, 0.30129182]])
comb = np.dstack((y_true, y_hat_softmax_from_tf))
#print(comb)

print('y_hat_softmax_from_tf: \n{0}\n'.format(y_hat_softmax_from_tf))
print('y_true: \n{0}\n'.format(y_true))

def cross_entropy_fn(sample):
    output = []
    for label in sample:
        if label[0]:
            y_cross_1 = label[0] * np.log(label[1])
        else:
            y_cross_1 = (1 - label[0]) * np.log(1 - label[1])
        output.append(y_cross_1)
    return output

y_cross_1 = np.array([cross_entropy_fn(sample) for sample in comb])
print('y_cross_1: \n{0}\n'.format(y_cross_1))

result_1 = - np.sum(y_cross_1, 1)
print('result_1: \n{0}'.format(result_1))

输出

y_hat_softmax_from_tf: 
[[0.227863   0.61939586 0.15274114]
[0.49674623 0.20196195 0.30129182]]

y_true: 
[[0. 1. 0.]
[0. 0. 1.]]

y_cross_1: 
[[-0.25859328 -0.4790107  -0.16574901]
[-0.68666072 -0.225599   -1.19967598]]

result_1: 
[0.90335299 2.11193571]

---

你的公式是正确的，但它只适用于二元分类。tensorflow中的演示代码分为3类。这就像拿苹果和桔子做比较。您也提到了它：

此公式通常用于一个输出预测两个类的网络（通常为1的正类成员资格和0的负类成员资格）。在这种情况下，我可能只有一个值-你可能会失去i的总和

这两个公式（二元交叉熵与多项式交叉熵）之间的差异以及每一个公式适用时的差异在中有很好的描述

---

第二个问题的答案是肯定的，有这样一个函数叫做。请参阅上述问题。

在官方文档中要小心：警告：此op需要无标度的logits，因为它在内部对logits执行softmax以提高效率。不要使用softmax的输出调用此op，因为它将产生不正确的结果。似乎y不应该被传递给softmax函数。此V2与上一个V2有什么区别？我可以用新的V2替换代码吗？当我运行tf.nn.softmax\u cross\u entropy\u的tf 1.9代码时，我收到了一条不推荐使用的消息（…）