下面的代码是交叉熵损失函数，这个类中定义两种方法，value求其函数值，derivative求其导数，给出完整代码 class CrossEntropy(Loss): ''' Cross entropy loss function ''' def value(self, yhat: np.ndarray, y: np.ndarray) -> float: #### write your code below #### return def derivative(self, yhat: np.ndarray, y: np.ndarray) -> np.ndarray: #### write your code below #### return

下面是包含 `value()` 和 `derivative()` 方法的完整代码：

import numpy as np

class CrossEntropy(Loss):
    '''
    Cross entropy loss function
    '''

    def value(self, yhat: np.ndarray, y: np.ndarray) -> float:
        # 计算交叉熵损失函数的值
        loss = -np.mean(y * np.log(yhat + 1e-9))
        
        return loss

    def derivative(self, yhat: np.ndarray, y: np.ndarray) -> np.ndarray:
        # 计算交叉熵损失函数的导数
        derivative = (yhat - y) / (yhat * (1 - yhat) + 1e-9)
        
        return derivative

在上述代码中，我们定义了一个名为 `CrossEntropy` 的类，它继承了一个名为 `Loss` 的基类。这个类中包含了 `value()` 和 `derivative()` 两个方法。

在 `value()` 方法中，我们使用交叉熵的公式计算损失函数的值。我们使用 `-np.mean(y * np.log(yhat + 1e-9))` 来计算交叉熵，其中 `y` 是真实标签，`yhat` 是预测值。我们添加了一个小的常数 `1e-9` 来避免取对数时出现无穷大的情况。

在 `derivative()` 方法中，我们使用交叉熵损失函数的导数公式 `(yhat - y) / (yhat * (1 - yhat) + 1e-9)` 来计算导数。其中 `y` 是真实标签，`yhat` 是预测值。

你可以根据你的需求使用这个 `CrossEntropy` 类来计算交叉熵损失函数的值和导数。