对多分类问题(multi-class),通常使用 cross-entropy 作为 loss function。cross entropy 最早是信息论(information theory)中的概念,由信息熵(information entropy,与压缩比率有关)变化而来,然后被用到很多地方,包括通信,纠错码,博弈论和机器学习等。交叉熵与信息熵的关系请见:机器学习基础(六)—— 交叉熵代价函数(cross-entropy error)。
在运作对 loss function 的定义时,y 是预测的概率分布,y′ 是真实的概率分布(在多分类问题的 one-hot 编码),用来判断模型对真实概率分布估计的准确程度。
H(y,y′)=Hy′(y)=−∑iy′ilogyi
i 表示的是样本编号。此外交叉熵还可以用来度量两个同维度的向量之间的举例,二分类问题又可进一步展开为:
H(y,a)=Hy(a)=−(yloga+(1−y)log(1−a))
# y_ 真实输出值,y 预测值
y_ = tf.placeholder(tf.float32, [None, 10])
cross_ent = -tf.reduce_mean(tf.reduce_sum(y_*tf.log(y), reduce_indices=[1]))
预测值y
是经过一系列的机器学习(深度学习)的算法得到(y_
以预先 placeholder,占位),此时便可定义优化算法:
lr = 1e-4
train_step = tf.train.AdamOptimizer(lr).minimize(cross_ent)