Tensorflow交叉熵的代码实现

一、基础计算

import tensorflow as tf
import numpy as np

sess=tf.Session()
#logits代表wx+b的输出，并没有进行softmax（因为softmax后是一个和为1的概率）
logits = np.array([[1, 2, 7],
                   [3, 5, 2],
                   [6, 1, 3],
                   [8, 2, 0],
                   [3, 6, 1]], dtype=np.float32)
#labels是[2,1,0,0,1]的ont-hot编码形式
labels = np.array([[0, 0, 1],
                   [0, 1, 0],
                   [1, 0, 0],
                   [1, 0, 0],
                   [0, 1, 0]], dtype=np.float32)

# 公式计算，-np.log(y*softmax_out)
# y=n*c,softmax_out是n*c，相当于将每个样本softmax的c个特征中最大的取出来，再取负就是求最小
softmax_out=tf.nn.softmax(logits)
cross_entropy1 = -tf.reduce_sum(labels * tf.log(softmax_out), axis=1)   #对应元素相乘，非矩阵乘法
print (sess.run(softmax_out))
"""
[[2.4561151e-03 6.6764127e-03 9.9086750e-01]
 [1.1419519e-01 8.4379470e-01 4.2010065e-02]
 [9.4649917e-01 6.3774614e-03 4.7123417e-02]
 [9.9719369e-01 2.4717962e-03 3.3452120e-04]
 [4.7123417e-02 9.4649917e-01 6.3774614e-03]]
 """
print (sess.run(cross_entropy1))    # [0.00917446 0.16984606 0.05498519 0.00281025 0.05498519]

二、tf.nn.softmax_cross_entropy_with_logits与tf.nn.sparse_softmax_cross_entropy_with_logits

import tensorflow as tf
import numpy as np

sess = tf.Session()
# logits代表wx+b的输出，并没有进行softmax（因为softmax后是一个和为1的概率）
logits = np.array([[1, 2, 7],
                   [3, 5, 2],
                   [6, 1, 3],
                   [8, 2, 0],
                   [3, 6, 1]], dtype=np.float32)
# labels是[2,1,0,0,1]的ont-hot编码形式
labels = np.array([[0, 0, 1],
                   [0, 1, 0],
                   [1, 0, 0],
                   [1, 0, 0],
                   [0, 1, 0]], dtype=np.float32)

cross_entropy2 = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=labels)
print(sess.run(cross_entropy2))    # [0.00917445 0.16984604 0.05498521 0.00281022 0.05498521]

classes = tf.argmax(labels, axis=1)  # array([2, 1, 0, 0, 1])
cross_entropy3 = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=classes)
print(sess.run(cross_entropy3))   # [0.00917445 0.16984604 0.05498521 0.00281022 0.05498521]

总结：

1.两个函数的输出结果相同，区别在于输入的labels不同。
2.对于sparse_softmax_cross_entropy_with_logits， labels must have the shape [batch_size] and the dtype int32 or int64. Each label is an int in range [0, num_classes-1]。
3.对于softmax_cross_entropy_with_logits, labels must have the shape [batch_size, num_classes] and dtype float32 or float64。

三、tf.losses.softmax_cross_entropy 和 tf.losses.sparse_softmax_cross_entropy

1.主要用于进行不同样本的loss计算
2.默认weights=1，等价于tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits)
3.weights为标量w时，等价于w*tf.reduce_mean(tf.nn.softmax_corss..)）
4.weights为向量时，算出的每个loss需要乘以对应样本权重，再求均值

import tensorflow as tf
import numpy as np
sess = tf.Session()
logits = np.array([[1, 2, 7],
                   [3, 5, 2],
                   [6, 1, 3],
                   [8, 2, 0],
                   [3, 6, 1]], dtype=np.float32)

#labels是[2,1,0,0,1]的ont-hot编码形式
labels = np.array([[0, 0, 1],
                   [0, 1, 0],
                   [1, 0, 0],
                   [1, 0, 0],
                   [0, 1, 0]], dtype=np.float32)

cross1 = tf.nn.softmax_cross_entropy_with_logits(labels=labels,logits=logits)
cross2 = tf.losses.softmax_cross_entropy(onehot_labels=labels, logits=logits)
cross3 = tf.losses.softmax_cross_entropy(onehot_labels=labels, logits=logits,weights=0.2)

print (sess.run(cross1))            #[0.00917445 0.16984604 0.05498521 0.00281022 0.05498521]
print (sess.run(cross2))                    #0.0583602
print (sess.run(tf.reduce_mean(cross1)))    #0.0583602

print (sess.run(cross3))                           #0.011672
print (sess.run(0.2*tf.reduce_mean(cross1)))       #0.011672

tf.losses.sparse_softmax_cross_entropy 同理等价于tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits),只不过输入labels是非one-hot编码格式