tf.trainable_variables() and tf.all_variables()

时间：2022-01-03 02:17:51

cross entropy

交叉熵，tensorflow  对 cross entropy 进行了集成：

1. 二分类和多分类公式集成，共用一个 API；

tf.trainable_variables() and tf.all_variables()

p(x) 真实标签，q(x) 预测概率；

2. 把 sigmoid 、softmax 等集成到 cross entropy 中；

正常情况下，神经网络最后的输出需要通过 softmax 转换成概率，然后再套用公式计算交叉熵，tf 的集成 API 直接输入神经网络的输出即可

tf.nn.softmax_cross_entropy_with_logits

集成了 softmax 和 cross entropy 的 API

def softmax_cross_entropy_with_logits(

    _sentinel=None,  # pylint: disable=invalid-name

    labels=None,

    logits=None,

    dim=-1,

    name=None,

    axis=None)

示例

#our NN's output

logits = tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])

#step1:do softmax

y = tf.nn.softmax(logits)

#true label

y_= tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]])

#step2:do cross_entropy

cross_entropy = -tf.reduce_sum(y_*tf.log(y))

#do cross_entropy just one step

cross_entropy2 = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_))   # dont forget tf.reduce_sum()!!

with tf.Session() as sess:

    softmax_value=sess.run(y)

    c_e = sess.run(cross_entropy)

    c_e2 = sess.run(cross_entropy2)

    print(softmax_value)

    print(c_e)      # 1.222818

    print(c_e2)     # 1.2228179

可以看到手动计算 和 API 计算的结果是一样的

tf.nn.sparse_softmax_cross_entropy_with_logits

API 参数同上；

sparse，稀疏编码，把类别进行稀疏编码，如共 3 个类别，样本属于第 2 个，则需要编码为 [0,1,0]；　　　　【对实际 label 的 sparse】

集成了 稀疏编码、softmax 和交叉熵；

# our NN's output

logits = tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])

# true label

# 注意这里标签必须是浮点数,不然在后面计算tf.multiply时就会因为类型不匹配tf_log的float32数据类型而出错

y_= tf.constant([[0,0,1.0],[0,0,1.0],[0,0,1.0]])     # 这个是稀疏的标签

# 手算交叉熵

y = tf.nn.softmax(logits)

tf_log = tf.log(y)

pixel_wise_mult = tf.multiply(y_,tf_log)

cross_entropy = -tf.reduce_sum(pixel_wise_mult)

#将标签稠密化

dense_y = tf.argmax(y_,1)       # [2 2 2]

cross_entropy2_step1 = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=dense_y,logits=logits)

cross_entropy2_step2 = tf.reduce_sum(cross_entropy2_step1)

with tf.Session() as sess:

    cross_entropy_value=sess.run(cross_entropy)

    sparse_cross_entropy2_step2_value=sess.run([cross_entropy2_step2])

    print(sess.run(dense_y))                        # [2 2 2]

    print("step4:cross_entropy result=\n%s\n"%(cross_entropy_value))                        # 1.222818

    print("Function(tf.reduce_sum) result=\n%s\n"%(sparse_cross_entropy2_step2_value))      # 1.2228179

tf.nn.sigmoid_cross_entropy_with_logits

API 参数同上；

这个 API 适用于 一个样本有多个 label 的情况，如在目标检测中，一张图像上可能有 猫，可能有狗，输出的 label 可能为 [0,1,1,0]；

它的本质不是多分类，而是多个二分类；

def sigmoid(x):

    return 1.0/(1+np.exp(-x))

labels = np.array([[1.,0.,0.],[0.,1.,0.],[0.,0.,1.]])

logits = np.array([[11.,8.,7.],[10.,14.,3.],[1.,2.,4.]])

y_pred = sigmoid(logits)

prob_error1 = -labels * np.log(y_pred) - (1 - labels) * np.log(1 - y_pred)

labels1 = np.array([[0.,1.,0.],[1.,1.,0.],[0.,0.,1.]])  # 不一定只属于一个类别

logits1 = np.array([[1.,8.,7.],[10.,14.,3.],[1.,2.,4.]])

y_pred1 = sigmoid(logits1)

prob_error11 = -labels1 * np.log(y_pred1) - (1 - labels1) * np.log(1 - y_pred1)

with tf.Session() as sess:

    print(prob_error1)

    # [[1.67015613e-05 8.00033541e+00 7.00091147e+00]

    #  [1.00000454e+01 8.31528373e-07 3.04858735e+00]

    #  [1.31326169e+00 2.12692801e+00 1.81499279e-02]]

    print(sess.run(tf.nn.sigmoid_cross_entropy_with_logits(labels=labels,logits=logits)))

    # [[1.67015613e-05 8.00033541e+00 7.00091147e+00]

    #  [1.00000454e+01 8.31528373e-07 3.04858735e+00]

    #  [1.31326169e+00 2.12692801e+00 1.81499279e-02]]

    print(prob_error11)

    # [[1.31326169e+00 3.35406373e-04 7.00091147e+00]

    #  [4.53988992e-05 8.31528373e-07 3.04858735e+00]

    #  [1.31326169e+00 2.12692801e+00 1.81499279e-02]]

    print(sess.run(tf.nn.sigmoid_cross_entropy_with_logits(labels=labels1,logits=logits1)))

    ### 同上

tf.nn.weighted_cross_entropy_with_logits

它是 sigmoid_cross_entropy_with_logits 的扩展

def weighted_cross_entropy_with_logits(labels=None,

                                       logits=None,

                                       pos_weight=None,

                                       name=None,

                                       targets=None):

  """Computes a weighted cross entropy.

      labels * -log(sigmoid(logits)) * pos_weight +

          (1 - labels) * -log(1 - sigmoid(logits))

    pos_weight: A coefficient to use on the positive examples

  """

tf.losses.softmax_cross_entropy

增加了一个权重，当权重为 1 时，等价于 tf.nn.softmax_cross_entropy_with_logits

#our NN's output

logits = tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])

#step1:do softmax

y = tf.nn.softmax(logits)

#true label

y_= tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]])

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_))

# tf.losses.softmax_cross_entropy(y_, logits, weights=1.)

tf.losses.softmax_cross_entropy(y_, logits, weights=0.5)

with tf.Session() as sess:

    print(sess.run(loss))                           # 0.40760598

    print(sess.run(tf.losses.get_total_loss()))     # 0.40760598        weights=1 时想等， weights=0.5 时为 0.20380299

均方差

tensorflow 其实没有提供这个 API，自己实现也很方便

y = tf.constant([0.9, 2.1, 2.8])

y_pred = tf.constant([1, 2, 3], dtype=tf.float32)

err1 = tf.reduce_sum(tf.square(y - y_pred)) / 3

err2 = tf.reduce_mean(tf.square(y - y_pred))

sess = tf.Session()

print(sess.run(err1))       # 0.020000001

print(sess.run(err2))       # 0.020000001

参考资料：

https://blog.csdn.net/marsjhao/article/details/72630147

https://blog.csdn.net/weixin_42561002/article/details/87802096　　tf.losses.softmax_cross_entropy()及相邻函数中weights参数的设置

相关文章