15.交叉熵损失函数 python

交叉熵损失函数是在机器学习和深度学习中常用的一种损失函数，用于衡量模型输出与真实标签之间的差异。在Python中，可以使用不同的库来实现交叉熵损失函数，例如TensorFlow和PyTorch。

以下是使用TensorFlow库实现交叉熵损失函数的示例代码：

import tensorflow as tf

# 定义模型输出和真实标签
logits = tf.constant([[0.5, 0.3, 0.2], [0.1, 0.2, 0.7]])
labels = tf.constant([0, 1])

# 使用交叉熵损失函数
loss = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=labels, logits=logits)

# 打印损失值
with tf.Session() as sess:
    print("交叉熵损失值：", sess.run(loss))

以上代码中，我们首先定义了模型的输出logits和真实标签labels。然后，使用`tf.nn.sparse_softmax_cross_entropy_with_logits`函数计算交叉熵损失值。最后，通过创建一个会话并运行计算图，我们可以打印出交叉熵损失值。

如果你使用的是PyTorch库，可以使用以下代码实现交叉熵损失函数：

import torch
import torch.nn as nn

# 定义模型输出和真实标签
logits = torch.tensor([[0.5, 0.3, 0.2], [0.1, 0.2, 0.7]])
labels = torch.tensor([0, 1])

# 使用交叉熵损失函数
loss = nn.CrossEntropyLoss()(logits, labels)

# 打印损失值
print("交叉熵损失值：", loss.item())

以上代码中，我们首先定义了模型的输出logits和真实标签labels。然后，使用`nn.CrossEntropyLoss`类计算交叉熵损失值。最后，通过调用`item()`方法，我们可以获取损失值的标量值并打印出来。