crossentropy java_交叉熵(Cross Entropy loss)

交叉熵

分类问题常用的损失函数为交叉熵(Cross Entropy Loss)。

交叉熵描述了两个概率分布之间的距离，交叉熵越小说明两者之间越接近。

原理这篇博客介绍的简单清晰：

https://blog.csdn.net/xg123321123/article/details/52864830

总结：　熵是信息量的期望值，它是一个随机变量的确定性的度量。

熵越大，变量的取值越不确定；反之，熵越小，变量取值就越确定。

熵与概率的关系如图：

尽管交叉熵刻画的是两个概率分布之间的距离，但是神经网络的输出却不一定是一个概率分布。为此我们常常用Softmax回归将神经网络前向传播得到的结果变成概率分布。

总之

在分类问题中用交叉熵可以更好的体现loss的同时，使其仍然是个凸函数，这对于梯度下降时的搜索很有用。

反观平方和函数，经过softmax后使得函数是一个非凸函数。

分类问题用 One Hot Label + Cross Entropy Loss

Training 过程，分类问题用 Cross Entropy Loss，回归问题用 Mean Squared Error。

validation / testing 过程，使用 Classification Error更直观，也正是我们最为关注的指标。

代码

class CrossEntropy2d(nn.Module):

def __init__(self):

super(CrossEntropy2d, self).__init__()

self.criterion = nn.CrossEntropyLoss(weight=None, size_average=True)

def forward(self, out, target):

n, c, h, w = out.size() # n:batch_size, c:class

out = out.view(-1, c) # (n*h*w, c)

target = target.view(-1) # (n*h*w)

# print('out', out.size(), 'target', target.size())

loss = self.criterion(out, target)

return loss

# 调用方式

criterion = loss.CrossEntropy2d()

loss = criterion(out, labels)

参考文献：

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！