分类问题,例如逻辑回归或多项逻辑回归,可优化交叉熵损失。通常,交叉熵层在 softmax 层之后,产生概率分布。
在张量流中,至少有十几种不同的交叉熵损失函数:
tf.losses.softmax_cross_entropy
tf.losses.sparse_softmax_cross_entropy
tf.losses.sigmoid_cross_entropy
tf.contrib.losses.softmax_cross_entropy
tf.contrib.losses.sigmoid_cross_entropy
tf.nn.softmax_cross_entropy_with_logits
tf.nn.sigmoid_cross_entropy_with_logits
...
哪一个只适用于二元分类,哪一个适用于多类问题?什么时候应该使用 sigmoid
而不是 softmax
? sparse
函数与其他函数有何不同,为什么只有 softmax
?
相关(更多面向数学的)讨论:What are the differences between all these cross-entropy losses in Keras and TensorFlow?。
tf.losses.log_loss
,实际上它仅用于二元交叉熵。还有github.com/tensorflow/tensorflow/issues/2462
初步事实
在功能意义上,sigmoid 是 softmax 函数的部分情况,当类的数量等于 2 时。它们都执行相同的操作:将 logits(见下文)转换为概率。在简单的二元分类中,两者之间没有太大区别,但是在多项分类的情况下,sigmoid 允许处理非排他性标签(也称为多标签),而 softmax 处理排他类(见下文)。
在计算概率之前,logit(也称为分数)是与类相关的原始未缩放值。就神经网络架构而言,这意味着 logit 是密集(全连接)层的输出。 TensorFlow 命名有点奇怪:下面的所有函数都接受 logits,而不是概率,并自己应用转换(这更有效)。
Sigmoid 函数族
tf.nn.sigmoid_cross_entropy_with_logits
tf.nn.weighted_cross_entropy_with_logits
tf.losses.sigmoid_cross_entropy
tf.contrib.losses.sigmoid_cross_entropy(已弃用)
如前所述,sigmoid
损失函数用于二元分类。但是当类是独立的时,张量流函数更通用并且允许进行多标签分类。换句话说,tf.nn.sigmoid_cross_entropy_with_logits
一次解决了 N
个二元分类。
标签必须是一次性编码的,或者可以包含软类概率。
tf.losses.sigmoid_cross_entropy
还允许设置批量权重,即使某些示例比其他示例更重要。 tf.nn.weighted_cross_entropy_with_logits
允许设置类权重(记住,分类是二元的),即使正错误大于负错误。这在训练数据不平衡时很有用。
Softmax 函数族
tf.nn.softmax_cross_entropy_with_logits(在 1.5 中已弃用)
tf.nn.softmax_cross_entropy_with_logits_v2
tf.losses.softmax_cross_entropy
tf.contrib.losses.softmax_cross_entropy(已弃用)
这些损失函数应该用于多项互斥分类,即从 N
类中挑选一个。也适用于 N = 2
。
标签必须是 one-hot 编码或可以包含软类概率:特定示例可以以 50% 的概率属于 A 类,以 50% 的概率属于 B 类。请注意,严格来说,这并不意味着它属于两个类,但可以这样解释概率。
就像在 sigmoid
系列中一样,tf.losses.softmax_cross_entropy
允许设置批量权重,即使某些示例比其他示例更重要。据我所知,从 tensorflow 1.3 开始,没有内置的方法来设置 类权重。
[UPD] 在 tensorflow 1.5 中,v2
版本 was introduced 和原始 softmax_cross_entropy_with_logits
损失已被弃用。它们之间的唯一区别是,在较新的版本中,反向传播会同时发生在 logits 和标签中(here's a discussion 为什么这可能有用)。
稀疏函数族
tf.nn.sparse_softmax_cross_entropy_with_logits
tf.losses.sparse_softmax_cross_entropy
tf.contrib.losses.sparse_softmax_cross_entropy(已弃用)
像上面的普通softmax
一样,这些损失函数应该用于多项互斥分类,即从N
类中挑选一个。区别在于标签编码:类被指定为整数(类索引),而不是 one-hot 向量。显然,这不允许软类,但是当有数千或数百万个类时,它可以节省一些内存。但是,请注意 logits
参数仍然必须包含每个类的 logits,因此它至少消耗 [batch_size, classes]
内存。
像上面一样,tf.losses
版本有一个 weights
参数,允许设置批量权重。
采样的 softmax 函数族
tf.nn.sampled_softmax_loss
tf.contrib.nn.rank_sampled_softmax_loss
tf.nn.nce_loss
这些函数为处理大量类提供了另一种选择。他们不是计算和比较精确的概率分布,而是从随机样本中计算损失估计。
参数 weights
和 biases
指定一个单独的全连接层,用于计算所选样本的 logits。
像上面一样,labels
不是一次性编码的,而是具有 [batch_size, num_true]
的形状。
采样函数仅适用于训练。在测试时,建议使用标准 softmax
损失(稀疏或单热)来获得实际分布。
另一种替代损失是 tf.nn.nce_loss
,它执行 噪声对比估计(如果您有兴趣,请参阅此 very detailed discussion)。我已将此函数包含在 softmax 系列中,因为 NCE 保证在限制范围内逼近 softmax。
但是,对于 1.5 版,必须改用 softmax_cross_entropy_with_logits_v2
,同时将其参数与 argument key=...
一起使用,例如
softmax_cross_entropy_with_logits_v2(_sentinel=None, labels=y,
logits=my_prediction, dim=-1, name=None)
虽然接受的答案包含的信息比所要求的要多得多,但我觉得分享一些通用的拇指规则将使答案更加紧凑和直观:
只有一个真正的损失函数。这就是交叉熵(CE)。对于二元分类的特殊情况,这种损失称为二元 CE(注意公式不会改变),对于非二元或多类情况,这种损失称为分类 CE(CCE)。稀疏函数是分类 CE 的一种特殊情况,其中预期值不是单热编码而是整数
我们有 softmax 公式,它是多类场景的激活。对于二进制场景,相同的公式被赋予一个特殊的名称 - sigmoid 激活
因为在处理对数函数时有时会出现数值不稳定(对于极值),TF 建议将激活层和损失层合并为一个函数。这个组合函数在数值上更稳定。 TF 提供了这些组合功能,并以 _with_logits 为后缀
有了这个,让我们现在处理一些情况。假设有一个简单的二元分类问题——图像中是否存在猫?激活函数和损失函数的选择是什么?这将是一个 sigmoid 激活和一个(二进制)CE。因此可以使用 sigmoid_cross_entropy 或更优选 sigmoid_cross_entropy_with_logits。后者结合了激活函数和损失函数,并且应该是数值稳定的。
多类分类怎么样。假设我们想知道图像中是否存在猫、狗或驴。激活函数和损失函数的选择是什么?这将是一个 softmax 激活和一个(分类)CE。因此,可以使用 softmax_cross_entropy 或更优选的是 softmax_cross_entropy_with_logits。我们假设期望值是 one-hot 编码的(100 或 010 或 001)。如果(出于某种奇怪的原因),情况并非如此,并且预期值为整数(1 或 2 或 3),您可以使用上述函数的“稀疏”对应项。
可能还有第三种情况。我们可以有一个多标签分类。因此,同一图像中可能有一只狗和一只猫。我们如何处理这个?这里的技巧是将这种情况视为多个二元分类问题 - 基本上是猫或没有猫/狗或没有狗和驴或没有驴。找出 3 个(二元分类)中的每一个的损失,然后将它们相加。所以基本上这归结为使用 sigmoid_cross_entropy_with_logits 损失。
这回答了您提出的 3 个具体问题。上面共享的功能就是所需要的。您可以忽略已弃用且不应使用的 tf.contrib 系列。
不定期副业成功案例分享
N
个二元分类任务,是N = prod(output.shape)
,例如shape = [batch, examples, channels]; N = (batch * examples * channels)
?如果tf.losses
期望“logits”(网络的输出),我是否还应该返回概率以方便使用?你能看看stackoverflow.com/questions/53612973/…