损失函数-交叉熵（多分类） 作者：马育民 • 2019-10-31 15:34 • 阅读：10438 需要掌握：[softmax 概率归一化](https://www.malaoshi.top/show_1GW2biBfUWT5.html "softmax 概率归一化") # 交叉熵 用于处理 **逻辑回归** 问题 交叉熵刻画的是 **实际输出（概率）** 与 **期望输出（概率）** 的**距离**，也就是交叉熵的值 **越小**，两个概率分布就 **越接近**。 假设概率分布 **p** 为真实值， **q** 为实际输出，**H(p,q)** 为交叉熵，**公式如下**： [](https://www.malaoshi.top/upload/0/0/1EF3xMC4l6AO.png) 放大概率分布之间的损失 # 计算过程 ### 一、准备测试数据 为了方便手动计算，设定： - **模型输出logits**：`input = torch.tensor([[1.0, 2.0, 3.0]])`（batch_size=1，num_classes=3） - **真实标签**：`target = torch.tensor([2])`（类别索引为2，对应第三个类别） - 无权重、无ignore_index、默认reduction='mean' --- ### 二、手动分步计算 cross_entropy #### 步骤1：计算 softmax（将logits转为概率） softmax公式（详见[链接](https://www.malaoshi.top/show_1GW2biBfUWT5.html "链接")）： $$p\_i = \frac{e^{z\_i}}{\sum\_{j=1}^C e^{z\_j}}$$ 解释：$$C$$ 为类别数，这里 $$C=3$$ - 其中，$$z\_0=1.0, z\_1=2.0, z\_2=3.0$$ - 分子： $$e^{1.0} \approx 2.7182$$，$$e^{2.0} \approx 7.3890$$，$$e^{3.0} \approx 20.0855$$ - 分母（总和）：$$2.7182 + 7.3890 + 20.0855 = 30.1928$$ - softmax结果： - 结果：$$p\_0 = 2.7182/30.1928 \approx 0.0900$$ - 结果：$$p\_1 = 7.3890/30.1928 \approx 0.2447$$ - 结果：$$p\_2 = 20.0855/30.1928 \approx 0.6652$$ #### 步骤2：计算 log_softmax（对softmax结果取自然对数） $$\log(p_i)$$： - 结果：$$\log(0.0900) \approx -2.4076$$ - 结果：$$\log(0.2447) \approx -1.4076$$ - 结果：$$\log(0.6652) \approx -0.4076$$ #### 步骤3：计算负对数似然（NLL） 取真实标签对应位置的log_softmax值，取负数： - 真实标签是2 → 取 $$\log(p_2)$$，即：$$\log(0.6652)$$，所以是： $$ -0.4076$$ - NLL = $$-(-0.4076) = 0.4076$$ #### 步骤4：reduction='mean'（平均） 因为批次是 `1`，平均后结果仍为 **0.4076**（这就是最终的cross_entropy损失值）。 # 为什么使用对数 通过上面例子可知，如果不用对数，也就是用 **输出值（概率）直接相乘**，由于 **输出值（概率）**是小数，多个概率（`0~1` 之间的数）相乘，结果会 **越来越小** 一批数据中，有多个样本： - 样本 1：p1 =0.6652 - 样本 2：p2 =0.2447 ### 不用对数：直接连乘 ``` p1 * p2 = 0.6652 * 0.2447 ≈ 0.1628 ``` 因为概率是小数，数据越多，结果越会无限趋近于 `0`，计算机浮点数无法精确表示（**数值下溢**），后续计算完全失效 ### 使用对数：乘积变加法 对数的性质：`log(ab)=loga+logb`，能把 **乘法转加法** 如下： $$ \log(p\_1 \ast p\_2) = \log(p\_1)+ \log(p\_2 )$$ 加法运算，数值范围稳定，不会出现快速趋近于 0 的问题 # keras中的交叉熵 ### 多分类交叉熵损失函数 1. 目标值是顺序数字的，如：1,2,3,4 ``` sparse_categorical_crossentropy ``` 详见：https://www.malaoshi.top/show_1EF5F1ygQuiB.html 2. 目标值是one-hot独热编码的 ``` categorical_crossentropy ``` 详见：https://www.malaoshi.top/show_1EF5F1s5lR6z.html # pytorch中的交叉熵 详见：[pytorch api文档：nn.functional.cross_entropy()交叉熵损失函数](https://www.malaoshi.top/show_1GW2fy7aYCus.html "pytorch api文档：nn.functional.cross_entropy()交叉熵损失函数") 感谢： https://blog.csdn.net/qq_43258953/article/details/103642353 原文出处：/show_1EF4La0KENhc.html