Python keras.Loss.binary_交叉熵输出张量的形状

我想在keras中实现一个基于二进制交叉熵的自定义损失函数。我对Keras.Loss.binary_交叉熵的输出tnesor的形状有疑问。我希望它应该是一个1D张量，长度为批量大小。但它返回一个张量，其形状为[batch size，classes]，所有类的每行损失量相同。 我应该沿行手动使用max吗？有更好的办法吗？ 为什么K.二元交叉熵的输出不是一维张量？它与数学概念有关吗

def custom_loss(y_true, y_pred):
    loss_tensor = K.binary_crossentropy(y_true, y_pred)
    # return K.max(loss_tensor, axis=1)
    return  loss_tensor

# model.compile(loss={'classifier':'kullback_leibler_divergence'},optimizer='Nadam',metrics=['acc'])


tmp_y_true = tf.constant([[0.0, 1.0], [1.0, 0.0]])
tmp_y_pred = tf.constant([[0.8, 0.2], [0.75, 0.25]])
output = custom_loss(tmp_y_true, tmp_y_pred)
tmp_out = K.eval(output)

---

二进制交叉熵是一个令人困惑的名字。它并不意味着每个数据点都有一个

0

或

1

的二进制。它用于解决多类问题。例如，预测图像是否有

0只狗，0只猫

或

1只狗，0只猫

或

0只狗，1只猫

或

1只狗，1只猫

。每个类对它是否存在都有自己的独立预测。损失是二进制的，因为每个类都是二进制的（存在与否）。因此，预期的输出形状是

[批量大小，类]

有关更多信息，请访问：

---

计算二进制交叉熵的公式是

−(ylog(p)+(1−y)log(1−p))

但它返回一个张量，其形状为[batch size，classes]，带有 所有类别的每行损失金额相同

这是因为二进制交叉熵应用于每个位置。以提供的示例中的第一个集合为例，y_true=[0.0,1.0]和y_pred=[0.8,0.2]

y_true=0，y_pred=0.8，应用公式，损耗=-（0*log（0.8）+1*log（1-0.8））=1.609

y_true=1，y_pred=0.2，应用公式，损耗=-（1*log（0.2）+0*log（1-0.2））=1.609

我应该沿行手动使用max吗

不，因为值是一个热编码的，所以必须取平均值

>>> K.eval(K.mean(K.binary_crossentropy(y_true, y_pred), axis=-1))
1.609438

或者，可以使用

categorical\u crossentropy

，因为这些值是一个热编码的值

>>> K.eval(K.categorical_crossentropy(y_true, y_pred))
1.609438

>>> K.eval(K.categorical_crossentropy(y_true, y_pred))
1.609438