深度学习——交叉熵损失函数

张开发
• 2026/4/16 3:47:43 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

深度学习——交叉熵损失函数
调用示例loss_funF.cross_entropy()lossloss_fun(y_pred,labels)一句话描述交叉熵损失函数是描述预测的概率分布和真实概率分布之间差异的损失函数。差异越大损失值越高差异越小损失值越低。举例说明假设有一只猫的图片我们采用一个三分类猫狗鸟的模型进行预测真实标签one-hot 编码[1, 0, 0]表示 100% 是猫。模型预测概率经过 softmax 后[0.7, 0.2, 0.1]模型认为 70% 可能是猫20% 狗10% 鸟。公式对于二分类任务对于多分类任务带入例子真实标签y[1,0,0]预测概率p[0.7,0.2,0.1]则有总结假设预测概率特别低比如 0.01那么根据log函数的特性可以知道越接近0其损失值会越大。越接近1损失越小。

更多文章