python编写交叉熵损失函数代码

以下是 Python 编写交叉熵损失函数的代码：

import numpy as np

def cross_entropy_loss(y_true, y_pred):
    """
    计算交叉熵损失函数
    :param y_true: 真实标签，形状为 (样本数, 类别数)
    :param y_pred: 预测标签，形状为 (样本数, 类别数)
    :return: 交叉熵损失函数值
    """
    # 防止出现 log(0) 的情况，加上一个极小值
    epsilon = 1e-7
    # 计算交叉熵损失函数
    loss = -np.mean(y_true * np.log(y_pred + epsilon))
    return loss

希望能对你有所帮助！

相关问题

python编写交叉熵损失函数

交叉熵损失函数是用于衡量分类模型预测结果与真实标签之间的差异的一种常用损失函数。在 Python 中，可以使用 TensorFlow 或 PyTorch 等深度学习框架提供的函数来实现交叉熵损失函数的计算。

python写一个计算交叉熵损失函数的代码

当使用Python编写计算交叉熵损失函数的代码时，可以使用以下代码示例：

import numpy as np

def cross_entropy_loss(y_true, y_pred):
    epsilon = 1e-7  # 避免log(0)的情况
    y_pred = np.clip(y_pred, epsilon, 1.0 - epsilon)  # 将预测值限制在一个较小的范围内，避免出现无穷大的情况
    loss = -np.sum(y_true * np.log(y_pred))  # 计算交叉熵损失
    return loss

# 示例用法
y_true = np.array([0, 1, 0])  # 真实标签
y_pred = np.array([0.2, 0.7, 0.1])  # 预测概率
loss = cross_entropy_loss(y_true, y_pred)
print("交叉熵损失：", loss)

上述代码中，`cross_entropy_loss`函数接受两个参数：`y_true`表示真实标签，`y_pred`表示预测概率。函数首先对预测概率进行了限制，避免出现无穷大的情况。然后，使用numpy库中的函数计算交叉熵损失。最后，返回计算得到的损失值。