文章目录
- 1. from_logits 的两种使用方法。
- 2. 交叉熵的底层操作。
-
from_logits 的两种使用方法。
在 Keras 的二元交叉熵损失函数（tf.keras.losses.BinaryCrossentropy，下面简称为 bce）中，有 from_logits 这个参数。在使用时需要分下面 2 种情况：
- 如果输入给 bce 的是一个 logit 值（值域范围 [-∞, +∞] ），则应该设置 from_logits=True 。
- 如果输入给 bce 的是一个概率值 probability （值域范围 [0, 1] ），则应该设置为 from_logits=False 。
这两种方法的比较如下图所示。
[En]
The comparison of the two methods is shown in the following figure.
从上面的对比图可以看出，from_logits=True 是一个简便操作，它让使用者省去了转换概率这个步骤。
; 2. 交叉熵的底层操作。
在计算交叉熵时，实际上经历了两个步骤：1.将数值转换为概率值。二.取这个概率值的对数，得到交叉熵。如下图所示。
[En]
When calculating the cross entropy, it actually goes through two steps: 1. Convert a numerical value to a probability value. two。 Take the logarithm of this probability value and get the cross entropy. As shown in the following picture.
- logit 与 sigmoid 互为反函数。
实际上，logit 是一个函数，并且它和 sigmoid 互为反函数。sigmoid 会把 logit 值转换为 [0, 1] 之间的概率值，而 logit 则会把概率值转换为 [-∞, +∞] 之间的 logit 值。
在 Scipy 中，sigmoid 函数也叫做 expit 函数。下图是 sigmoid 和 logit 函数的对比。关于 sigmoid 函数的更多内容，详见 Scipy 链接 → Scipy 的 sigmoid 函数页面链接
最后，Keras 中的多类别交叉熵损失函数 Categorical Crossentropy，也有 from_logits 这个参数，其使用方法和二元交叉熵损失函数相同。不过因为它处理的是多分类问题，在计算概率时，要用 softmax 函数。
Original: https://blog.csdn.net/drin201312/article/details/123247057
Author: 杭州的平湖秋月
Title: Keras/TensorFlow 交叉熵损失函数中的 from_logits 参数
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/497209/
转载文章受原作者版权保护。转载请注明原作者出处！