交叉熵损失函数来自那篇文献
时间: 2023-09-25 20:13:02 浏览: 62
交叉熵损失函数最早来自于信息论的研究,Shannon在1948年的论文《A Mathematical Theory of Communication》中提出了信息熵的概念,而交叉熵是指两个概率分布之间的差异度量,是信息熵的一个变种。在机器学习领域,交叉熵损失函数被广泛应用于分类问题中,它在神经网络中的应用最早可以追溯到1990年代。具体的文献可能有很多篇,比如深度学习领域最近比较流行的AlexNet模型中使用的交叉熵损失函数,其文献引用可以参考Krizhevsky等人在2012年发表的论文《ImageNet Classification with Deep Convolutional Neural Networks》。
相关问题
平衡交叉熵损失函数的来源文献
平衡交叉熵损失函数的来源文献是 "Focal Loss for Dense Object Detection",由 Tsung-Yi Lin, Priya Goyal, Ross Girshick 和 Kaiming He 在2017年发表的论文。该论文提出了一种新的损失函数,称为 Focal Loss,用于解决目标检测中类别不平衡问题。平衡交叉熵损失函数是 Focal Loss 的一种特殊情况。
提出均方误差损失函数、交叉熵损失函数、对数损失函数等,GIOU损失函数、Focal损失函数的文献分别是什么,请用引用文献表示
1. 均方误差损失函数:
均方误差损失函数是一种回归问题的常用损失函数,其数学表达式为:
$L_{MSE}=\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y_i})^2$
其中,$y_i$为真实值,$\hat{y_i}$为预测值,$n$为样本数量。
引用文献:T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2009.
2. 交叉熵损失函数:
交叉熵损失函数是一种分类问题的常用损失函数,其数学表达式为:
$L_{CE}=-\frac{1}{n}\sum_{i=1}^{n}[y_i\log(\hat{y_i})+(1-y_i)\log(1-\hat{y_i})]$
其中,$y_i$为真实标签,$\hat{y_i}$为预测标签,$n$为样本数量。
引用文献:C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
3. 对数损失函数:
对数损失函数也是一种分类问题的常用损失函数,其数学表达式为:
$L_{log}=-\frac{1}{n}\sum_{i=1}^{n}[y_i\log(\hat{y_i})+(1-y_i)\log(1-\hat{y_i})]$
其中,$y_i$为真实标签,$\hat{y_i}$为预测标签,$n$为样本数量。
引用文献:T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2009.
4. GIOU损失函数:
GIOU损失函数是一种目标检测任务中常用的损失函数,其数学表达式为:
$L_{GIOU}=1-IoU+\frac{C-A}{C}+\frac{C-B}{C}$
其中,$IoU$为交并比,$A$为预测框与真实框的最小外接矩形面积,$B$为预测框与真实框的最大外接矩形面积,$C$为所有框的最小外接矩形面积。
引用文献:K. D. He, X. Y. Zhang, S. Q. Ren, and J. Sun, “Spatial pyramid pooling in deep convolutional networks for visual recognition,” in European Conference on Computer Vision, 2014, pp. 346-361.
5. Focal损失函数:
Focal损失函数是一种解决类别不平衡问题的损失函数,其数学表达式为:
$L_{FL}=\frac{1}{n}\sum_{i=1}^{n}[-(1-\hat{y_i})^\gamma y_i\log(\hat{y_i})-(\hat{y_i})^\gamma (1-y_i)\log(1-\hat{y_i})]$
其中,$y_i$为真实标签,$\hat{y_i}$为预测标签,$\gamma$为调节因子。
引用文献:T. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár, “Focal loss for dense object detection,” in IEEE International Conference on Computer Vision, 2017, pp. 2999-3007.
相关推荐
![txt](https://img-home.csdnimg.cn/images/20210720083642.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)