crossentropy

---

分类任务的交叉熵损失

函数库: TyDeepLearning

语法

loss = crossentropy(X, targets)

说明

loss = crossentropy(X, targets) 将权重应用于计算的损失值。 示例

使用此语法可以加权类、观测值、区域或输入的单个元素对计算损失值的贡献。 支持两种不同的目标值(target):

• 类别索引 (Int)，取值范围为其中 为类别数，交叉熵损失公式如下：

其中， 表示预测值，表示目标值， 表示权重，表示batch size，限定范围为[0, C-1]，表示类索引，其中 表示类的数量。

• 类别概率 (Float)，用于目标值为多个类别标签的情况。交叉熵损失公式如下：

其中， 表示预测值， 表示目标值， 表示权重， 表示 batch size， 限定范围为[0, C-1]，表示类索引，其中 表示类的数量。

示例

类别索引标签分类的交叉熵计算

计算交叉熵损失。

using TyDeepLearning
using Random
set_backend(:mindspore)
numclass = 5
numobseravation = 3
Random.seed!(1234)
Y = randn(Float32, (3, 5))
targets = Int32[1, 0, 4]
output = TyDeepLearning.crossentropy(Y, targets)
print(output)

1.6352946

类别概率标签分类的交叉熵计算

计算交叉熵损失。

using TyDeepLearning
using Random
set_backend(:mindspore)
numclass = 10
numobseravation = 12
Random.seed!(1234)
Y = rand(Float32, (numobseravation, numclass))
targets = rand(Float32, (numobseravation, numclass))
output = TyDeepLearning.crossentropy(Y, targets)
print(output)

10.658039

输入参数

X-输入数据

数组

数据类型为 Float 的输入。任意维度的数组。

数据类型： Float16 | Float32 | Float64

targets-目标值

向量

输入目标值。若目标值为类别索引，则shape为 、 或 ，数据类型仅支持 Int32。 若目标值为类别概率，则 shape 为 、 或 。

数据类型： Float16 | Float32 | Float64

输出参数

loss-交叉熵损失

数组

交叉熵损失，作为未格式化的数组返回。输出损失是一个无格式的数组，其基础数据类型与输入 Y 相同。

数据类型： Float16 | Float32 | Float64

另请参阅

huber | mse