Caffe Loss层 - SigmoidCrossEntropyLossLayer

Caffe Loss层 - SigmoidCrossEntropyLossLayer

1. SigmoidLayer

非线性激活函数——Sigmoid：

y=(1+exp(−x))−1=11+exp(−x) y = ( 1 + e x p ( − x ) ) − 1 = 1 1 + e x p ( − x )

该激活函数随着值远离 0 ，会出现梯度消失.

2. SigmoidCrossEntropyLossLayer

计算交叉熵(cross-entropy) loss：

E=−1n∑Nn=1[pnlogp^n+(1−pn)log(1−p^n] E = − 1 n ∑ n = 1 N [ p n l o g p ^ n + ( 1 − p n ) l o g ( 1 − p ^ n ]

主要用于以概率形式预测目标值.

交叉熵 loss 用于度量两个概率分布之间的相似性.

该Loss层相比 SigmoidLayer + CrossEntropyLayer，梯度计算具有更好的数值稳定性.

Test 时，该网络层可以替换为 SigmoidLayer.

参数：

• bottom - 长度为2的输入Blob
  
  • Size为 (N×X×H×W) ( N × X × H × W ) ，采用 sigmoid 函数得到的概率预测值 p^n=sigmoid(xn)∈[0,1] p ^ n = s i g m o i d ( x n ) ∈ [ 0 , 1 ]
  • Size为 (N×X×H×W) ( N × X × H × W ) ，目标值，targets
• top - 长度为1的输出Blob
  
  • Size为 (1×1×1×1) ( 1 × 1 × 1 × 1 ) ，计算的交叉熵loss值.

2.1 SigmoidCrossEntropyLoss层计算

Reference

[1] - caffe::SigmoidCrossEntropyLossLayer

[2] - “caffe里sigmoidCrossEntropyLoss层计算” - CaffeCN深度学习社区

[3] - 如何通俗的解释交叉熵与相对熵? - 知乎