Tensorflow中有一大堆cross_entropy损失函数用于处理分类问题，初学者往往会一脸懵逼，不知道如何选择。
tf.losses.softmax_cross_entropytf.losses.sparse_softmax_cross_entropytf.losses.sigmoid_cross_entropytf.contrib.losses.softmax_cross_entropytf.contrib.losses.sigmoid_cross_entropytf.nn.softmax_cross_entropy_with_logitstf.nn.sigmoid_cross_entropy_with_logits- ….
1. 名词解释
其实如果我们理解了里面出现的几个关键词，很多问题就一目了然了。
-
Logit (Score)
分类器给(比如图片)属于每个类别所打的分数
-
Softmax
将Logit的分数转换成概率，属于每个类别的概率，数值0到1之间
-
Sigmoid
与Softmax功能一样将Logit的分数转换成概率，只不过Sigmoid仅支持类别个数为2的二分类问题，Softmax支持更多类别的分类问题。
-
Onehot (lables)
一种只用0和1的编码方式，比如有三类，非Onehot的标签可以标为0,1和2。转换成Onehot之后就分别变成[1,0,0],[0,1,0]和[0,01]了。
-
Cross-Entropy(交叉熵)
计算分类器算出的属于各个类的概率，与(Onehot)标签的差距，用于评价分类器表现
注意所有的损失函数都接受Logits而不必手动通过sigmoid或者softmax转换成概率
2. Sigmoid vs Softmax
正如前面提到，如果是二分问题可以选用Sigmoid的损失函数，如果类别大于两个，最好选用Softmax。
读者应该知道这下面两个怎么选了吧
3. nn and Logits
tf.nn.sigmoid_cross_entropy_with_logits和tf.losses.sigmoid_cross_entropy的差别是，前者输出的是一堆Logits向量，后者输出的是一个数loss
f.losses.sigmoid_cross_entropy = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits)
4. Weight
tf.losses.sigmoid_cross_entropy 和 tf.losses.softmax_cross_entropy 都支持权重Weight，默认Weight为1，当w为标量的时候
tf.losses.sigmoid_cross_entropy(weight = w) = w* tf.losses.sigmoid_cross_entropy(weight = 1)
当W为向量的时候，权重加在每一个logits上再Reduce Mean.
f.losses.sigmoid_cross_entropy(weight = W) = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits*W)
加上权重之后，在训练的时候能使某些sample比其他更加重要。
关于tf.nn.weighted_cross_entropy_with_logits` 有一个pos_weight 与前面讲到的sample Weight不同，这个pos_weight是Class Weight用来，对于 unbalanced数据非常有用。
5. Sparse
Sparse的 softmax cross_entropy与普通的softmax cross唯一的区别是，其标签没有Onehot编码。
在类别数量巨大的时候，这种方式可以减少内存占用。
6. Sampled Softmax
另外一种减少内存占用的方式，直接对类别进行抽样训练。注意这些loss函数仅能在训练的时候使用，验证的时候不要使用。sampled softmax function如下
参考资料
https://stackoverflow.com/questions/47034888/how-to-choose-cross-entropy-loss-in-tensorflow
https://www.tensorflow.org/api_docs/
首发steemit
欢迎扫描二维码关注我的微信公众号“tensorflow机器学习”，一起学习，共同进步
