热门标签 | HotTags
当前位置:  开发笔记 > 前端 > 正文

tensorflow教程之tf.nn.softmax_cross_entropy_with_logits()方法解析

tf.nn.softmax_cross_entropy_with_logits(labels,logits)这个方法是最大似然函数,也是损失函数;

这个函数有两个主要的参数,一个是标签,一个是最后全连接层输出的结果;注意这两个参数的维度必须一致!

标签一般都是用ont-hot热码,什么是ont-hot,自己百度,很简单的

如果是3类,那么就是  [0,0,1] [0,1,0] [1,0,0]  ont-hot只有0和1 而且只有用ont-hot表示只有一个1

一个音频文件或者一张图片,经过卷积层或者全连接层以后会得到一个logits

求损失函数是将这个文件的真实标签与最后输出的logits进行比较的,怎么比较呢?


比如总共三类,而这个音频文件对应标签是第三类[1,0,0],那么labels就是[1,0,0]

经过深度网络以后得到的logits=[5.0,7.0,8.0] 

标签   [1,0,0]

输出数据  [5.0,7.0,8.0]

输出数据中哪个位置的数据最大就属于哪一类,我们是8最大,应该属于第一类,但是现在是反的,实际是第三类,对应的是5!这个误差很大,所以经过tf.nn.softmax_cross_entropy_with_logits(labels,logits)这个方法得到的值很大!真实标签与预测标签的值大相径庭

tensorflow教程之tf.nn.softmax_cross_entropy_with_logits()方法解析

我们得到的损失值3.34

 

如果Logit是[8,5,7]呢? 最大的值是8,对应的位置正好是1,说明预测文件类型与真实标签类型一致,误差值应该很小,我们运行程序看看

tensorflow教程之tf.nn.softmax_cross_entropy_with_logits()方法解析

得到的损失值为0.349

 

如果logits为[7,5,8]呢?最大的值8对应的是0,显然预测错误,但是第二大的是7,7对应的是1,是真实的标签,误差肯定比3.34小

tensorflow教程之tf.nn.softmax_cross_entropy_with_logits()方法解析

误差值为1.34

 

 


我们要理解这个函数是干嘛的?

labels是对应文件真实标签的热码形式

logits是我们的神经网络预测的结果,哪个位置的值最大,就代表哪一类(当然是我们神经网络预测的结果)

 tf.nn.softmax_cross_entropy_with_logits(labels,logits)就是将真实标签与预测标签进行对比,如果一致那么误差越小,如果不一致,那么在logits中真实标签对应位置的值在所有值中的大小,如果是第二大的话,那么误差也很小,如果是最小的,误差最大!


 


推荐阅读
  • 表面缺陷检测数据集综述及GitHub开源项目推荐
    本文综述了表面缺陷检测领域的数据集,并推荐了多个GitHub上的开源项目。通过对现有文献和数据集的系统整理,为研究人员提供了全面的资源参考,有助于推动该领域的发展和技术进步。 ... [详细]
  • 深入解析经典卷积神经网络及其实现代码
    深入解析经典卷积神经网络及其实现代码 ... [详细]
  • 不要急着丢弃旧手机:轻松改装成高效PC游戏性能监控工具
    对于许多PC玩家来说,实时监控游戏过程中的硬件状态是一项常见需求,例如关注游戏帧率、CPU和GPU频率以及温度等关键指标。通常情况下,玩家会借助第三方软件将这些数据展示在屏幕的一角。然而,一种更为创新的方法是利用旧手机改装成高效的性能监控工具,不仅节省成本,还能提供更加便捷和直观的监控体验。通过简单的设置和应用程序安装,旧手机可以变成一个专门的硬件监控设备,实时显示各种重要信息,帮助玩家更好地优化游戏性能。 ... [详细]
  • Android目录遍历工具 | AppCrawler自动化测试进阶(第二部分):个性化配置详解
    终于迎来了“足不出户也能为社会贡献力量”的时刻,但有追求的测试工程师绝不会让自己的生活变得乏味。与其在家消磨时光,不如利用这段时间深入研究和提升自己的技术能力,特别是对AppCrawler自动化测试工具的个性化配置进行详细探索。这不仅能够提高测试效率,还能为项目带来更多的价值。 ... [详细]
  • OpenCV 2.4.9 源码解析:级联分类器的错误率与尺寸分析 ... [详细]
  • 如何在Linux系统中部署TensorFlow的详细指南
    本文详细介绍了在Linux系统中部署TensorFlow的过程。作者基于北京大学曹建教授的MOOC课程进行学习,但由于课程内容较旧,环境配置方面遇到了不少挑战。经过多次尝试,最终成功解决了这些问题,并总结了一套详细的安装指南,帮助初学者快速上手TensorFlow。 ... [详细]
  • Node.js 教程第五讲:深入解析 EventEmitter(事件监听与发射机制)
    本文将深入探讨 Node.js 中的 EventEmitter 模块,详细介绍其在事件监听与发射机制中的应用。内容涵盖事件驱动的基本概念、如何在 Node.js 中注册和触发自定义事件,以及 EventEmitter 的核心 API 和使用方法。通过本教程,读者将能够全面理解并熟练运用 EventEmitter 进行高效的事件处理。 ... [详细]
  • 从无到有,构建个人专属的操作系统解决方案
    操作系统(OS)被誉为程序员的三大浪漫之一,常被比喻为计算机的灵魂、大脑、内核和基石,其重要性不言而喻。本文将详细介绍如何从零开始构建个人专属的操作系统解决方案,涵盖从需求分析到系统设计、开发与测试的全过程,帮助读者深入理解操作系统的本质与实现方法。 ... [详细]
  • 本文介绍了如何通过掌握 IScroll 技巧来实现流畅的上拉加载和下拉刷新功能。首先,需要按正确的顺序引入相关文件:1. Zepto;2. iScroll.js;3. scroll-probe.js。此外,还提供了完整的代码示例,可在 GitHub 仓库中查看。通过这些步骤,开发者可以轻松实现高效、流畅的滚动效果,提升用户体验。 ... [详细]
  • 掌握PHP框架开发与应用的核心知识点:构建高效PHP框架所需的技术与能力综述
    掌握PHP框架开发与应用的核心知识点对于构建高效PHP框架至关重要。本文综述了开发PHP框架所需的关键技术和能力,包括但不限于对PHP语言的深入理解、设计模式的应用、数据库操作、安全性措施以及性能优化等方面。对于初学者而言,熟悉主流框架如Laravel、Symfony等的实际应用场景,有助于更好地理解和掌握自定义框架开发的精髓。 ... [详细]
  • 在稀疏直接法视觉里程计中,通过优化特征点并采用基于光度误差最小化的灰度图像线性插值技术,提高了定位精度。该方法通过对空间点的非齐次和齐次表示进行处理,利用RGB-D传感器获取的3D坐标信息,在两帧图像之间实现精确匹配,有效减少了光度误差,提升了系统的鲁棒性和稳定性。 ... [详细]
  • 进程(Process)是指计算机中程序对特定数据集的一次运行活动,是系统资源分配与调度的核心单元,构成了操作系统架构的基础。在早期以进程为中心的计算机体系结构中,进程被视为程序的执行实例,其状态和控制信息通过任务描述符(task_struct)进行管理和维护。本文将深入探讨进程的概念及其关键数据结构task_struct,解析其在操作系统中的作用和实现机制。 ... [详细]
  • 获取贵州省毕节市高分辨率谷歌卫星影像图
    毕节市,作为贵州省西北部的重要地级市,地处乌蒙山脉核心区域,是连接四川、云南和贵州三省的关键节点。本研究旨在获取该地区的高分辨率谷歌卫星影像图,以全面展示其独特的地理特征和城市布局。通过这些高清影像,研究人员能够更深入地分析毕节市的自然环境、城市规划及发展状况。 ... [详细]
  • 视觉图像的生成机制与英文术语解析
    近期,Google Brain、牛津大学和清华大学等多家研究机构相继发布了关于多层感知机(MLP)在视觉图像分类中的应用成果。这些研究深入探讨了MLP在视觉任务中的工作机制,并解析了相关技术术语,为理解视觉图像生成提供了新的视角和方法。 ... [详细]
  • HTML5大文件传输技术深度解析与实践分享
    本文深入探讨了HTML5在Web前端开发中实现大文件上传的技术细节与实践方法。通过实例分析,详细讲解了如何利用HTML5的相关特性高效、稳定地处理大文件传输问题,并提供了可供参考的代码示例和解决方案。此外,文章还讨论了常见的技术挑战及优化策略,旨在帮助开发者更好地理解和应用HTML5大文件上传技术。 ... [详细]
author-avatar
李妙妙_minioniu_173
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有