【TensorFlow】tf.nn.softmax

#【TensorFlow】tf.nn.softmax| 来源: 网络整理| 查看: 265

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

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)

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（批处理）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（归一化处理），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：在这里插入图片描述

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：在这里插入图片描述其中yi'指代实际的标签中第 i 个的值（用mnist数据举例，如果是3，那么标签是[0，0，0，1，0，0，0，0，0，0]，除了第4个值为1，其他全为0）(感觉就是one hot类型的数据）

yi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yi越准确，结果的值越小（别忘了前面还有负号），最后求一个平均，得到我们想要的loss

注意！！！

这个函数的返回值:并不是一个数，而是一个向量，

如果要求交叉熵，我们要再做一步tf.reduce_sum操作,就是对向量里面所有元素求和，最后才得到，

如果求loss，则要做一步tf.reduce_mean操作，对向量求均值！

上代码：

import tensorflow as tf #our NN's output 假设为：神经网络的最后一层输出 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进行归一化处理 y=tf.nn.softmax(logits) #true label 监督学习中，数据输入网络前的正确的标签 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 求交叉熵损坏的方法一 cross_entropy = -tf.reduce_sum(y_*tf.log(y)) #do cross_entropy just one step 求交叉熵损坏的方法二：使用本次讲解的函数 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)

输出结果是：

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

最后大家可以试试e1/(e1+e2+e3)是不是0.09003057，发现确实一样！！这也证明了我们的输出是符合公式逻辑的

还有一篇，建议结合起来看：【TensorFlow】tf.nn.softmax_cross_entropy_with_logits中的“logits”到底是个什么意思？

【本文地址】

公司简介

联系我们