没有合适的资源?快使用搜索试试~ 我知道了~
首页7_交叉熵_softmax_损失函数loss_分析
7_交叉熵_softmax_损失函数loss_分析
5星 · 超过95%的资源 15 下载量 146 浏览量
更新于2023-05-04
评论 1
收藏 356KB PDF 举报
文章目录一、softmax二、损失函数loss1、均值平方差2、交叉熵3、损失函数的选取三、softmax 算法与损失函数的综合应用1 验证softmax_cross_entropy_with_logits包含softmax函数2 验证非标准one_hot的交叉熵 结果对于错误分类不明显3 验证labels = [2 , 1] 即 001 与 0104 验证loss = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(labels=labels, logits=logits))5 验证loss_2 = -tf.reduce_sum(
资源详情
资源评论
资源推荐
7_交叉熵交叉熵_softmax_损失函数损失函数loss_分析分析
文章目录文章目录一、softmax二、损失函数loss1、均值平方差2、交叉熵3、损失函数的选取三、softmax 算法与损失函数的综合应用1 验证softmax_cross_entropy_with_logits包
含softmax函数2 验证非标准one_hot的交叉熵 结果对于错误分类不明显3 验证labels = [2 , 1] 即 001 与 0104 验证loss =
tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(labels=labels, logits=logits))5 验证loss_2 = -tf.reduce_sum(labels * tf.log(tf.nn.softmax(logits)))四、总结:
一、一、softmax
常见的激活函数输出值只有两种,现实中需要多种分类,需要判断输入属于分类的概率,
这样就引入了分类函数分类函数softmax函数函数,
softmax = exp( logits)/reduce_sum( exp( logits), dim)
softmax网络模型
二、损失函数二、损失函数loss
用真实值与预测值的距离来指导模型的收敛万向
1、均值平方差、均值平方差
tf方法
MSE=tf.reduce_mean (tf.pow(tf.sub(logits, outputs) ,2.0))
MSE=tf.reduce_mean (tf.square(tf.sub(logits, outputs)))
MSE=tf.reduce_mean (tf.square(logits-outputs))
Rmse= tf.sqrt(tf.reduce_mean(tf.pow (tf. sub(logits, outputs) , 2.0 ) ))
mad= tf.reduce_mean (tf.complex_abs(tf.sub(logits, outputs))
2、交叉熵、交叉熵
一般用在分类问题上,表达的意识为预测输入样本属于某一类 的概率。
其表达式见式 (6-1 3) ,其中 y 代表真实值分类 ( 0 或 1) , a代表预测值。
tf方法
weixin_38741030
- 粉丝: 3
- 资源: 924
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论5