我最近发现了tf.nn.sparse_softmax_cross_entropy_with_logits，但是与tf.nn.softmax_cross_entropy_with_logits相比有什么区别我无法弄清楚。 使用sparse_softmax_cross_entropy_with_...

我正在尝试实现一个包含三个类别（'A'、'B'和'C'）的分类问题，我想在模型损失函数中加入不同类型错误分类的惩罚（类似于加权交叉熵）。由于类别权重适用于属于该类别的所有数据，因此不适用。例如，将真实标签'B'误分类为'C'应具有比误分类为'A'更高的损失。权重表如下： A B C...

我正在尝试理解TensorFlow中的损失函数，但我不懂它是什么意思。它叫做SparseCategoricalCrossentropy。所有其他的损失函数都需要相同形状的输出和标签，但这个特定的损失函数不需要。 源代码：import tensorflow as tf; scce = tf....

我有一个网络，可以生成4D输出张量，其中空间维度（~像素）中每个位置的值被解释为该位置的类概率。换句话说，输出为（num_batches，height，width，num_classes）。我有相同大小的标签，其中真实类别编码为one-hot编码。我想使用此计算损失。 问题1：K.softm...

分类问题，例如逻辑回归或多项式逻辑回归，优化 交叉熵 损失。通常，交叉熵层跟随 softmax 层，产生概率分布。 在tensorflow中，至少有十几种不同的 交叉熵损失函数: tf.losses.softmax_cross_entropy tf.losses.sparse_softm...

如何在Theano上实现加权二元交叉熵？我的卷积神经网络只能预测0~1（sigmoid）。我想以这种方式惩罚我的预测： 基本上，我希望在模型预测为0但实际为1时进行更多的惩罚。 问题：如何使用Theano和Lasagne创建加权二元交叉熵函数？ 我尝试了下面这个： predicti...

尽管以上两种方法都提供了更好的预测接近度得分，但交叉熵仍然更受欢迎。在每种情况下都是如此吗？还是有一些奇特的场景，我们更喜欢交叉熵而不是均方误差(MSE)？

我正在学习神经网络，希望能够在Python中编写一个名为cross_entropy的函数。 它的定义如下： 其中N是样本数量，k是类别数量，log表示自然对数，t_i,j为1表示样本i属于类别j，为0表示不属于，p_i,j为预测样本i属于类别j的概率。 为了避免对数运算中出现数值问题，...

交叉熵和对数损失错误有什么区别？两者的公式似乎非常相似。

在Tensorflow 2.0中，有一个称为{{loss function}}的损失函数。 tf.keras.losses.sparse_categorical_crossentropy(labels, targets, from_logits = False) 我能问一下，设置from...