交叉熵损失计算正确的代码

交叉熵损失（Cross-Entropy Loss）是一种用于训练分类模型的常用损失函数，其计算方式如下：

$loss=-\frac{1}{N}\sum_{i=1}^N\sum_{j=1}^My_{i,j}\log\hat{y}_{i,j}$

其中，$y_{i,j}$表示第$i$个样本的真实标签，$\hat{y}_{i,j}$表示模型对第$i$个样本在第$j$个类别上的预测值，$N$表示样本总数，$M$表示类别总数。

在Python中，可以通过以下代码计算交叉熵损失：

import numpy as np

def cross_entropy_loss(y_pred, y_true):
    """
    计算交叉熵损失
    :param y_pred: 预测值，shape为(N, M)，N为样本数，M为类别数
    :param y_true: 真实标签，shape为(N, M)
    :return: 交叉熵损失
    """
    epsilon = 1e-12 # 防止出现log(0)的情况
    y_pred = np.clip(y_pred, epsilon, 1. - epsilon) # 将预测值限制在[epsilon, 1-epsilon]范围内
    loss = -np.sum(y_true * np.log(y_pred)) / y_true.shape # 计算交叉熵损失
    return loss

其中，`np.clip`函数将预测值限制在一个较小的范围内，避免出现`log(0)`的情况。`y_true`和`y_pred`都是二维的矩阵，第一维表示样本数，第二维表示类别数。`np.log`函数计算每个预测值的对数，然后与真实标签相乘并求和得到总损失，最后再除以样本数得到平均损失。