Tensorflow 两个交叉熵损失函数的区别
tf.nn.sparse_softmax_cross_entropy_with_logitslabel:不含独热编码,shape:[batch_size, ]logits:原始预测概率分布向量,shape:[batch_size, num_classes]logits = np.array([[0.3, 0.4, 0.3], [0.5, 0.2, 0.3], [0.1, 0.8, 0.1]]...
·
tf.nn.sparse_softmax_cross_entropy_with_logits
label:不含独热编码,shape:[batch_size, ]
logits:原始预测概率分布向量,shape:[batch_size, num_classes]
logits = np.array([[0.3, 0.4, 0.3], [0.5, 0.2, 0.3], [0.1, 0.1, 0.8]])
labels = np.array([1, 0, 2])
这样的label参数决定了该函数只适合于每种样本只属于一种类别的情况
tf.nn.softmax_cross_entropy_with_logits
label:独热编码,shape:[batch_size, num_classes]
logits:原始预测概率分布向量,shape:[batch_size, num_classes]
logits = np.array([[0.3, 0.4, 0.3], [0.5, 0.2, 0.3], [0.1, 0.8, 0.1]])
labels = np.array([[0, 1, 0], [1, 0, 0], [0, 1, 0]])
独热编码的label参数决定了该函数可适合于每种样本属于多种类别的情况
开放原子开发者工作坊旨在鼓励更多人参与开源活动,与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动,如meetup、训练营等,主打技术交流,干货满满,真诚地邀请各位开发者共同参与!
更多推荐
已为社区贡献2条内容
所有评论(0)