TensorFlow函數(shù)教程：tf.nn.log_poisson_loss

tf.nn.log_poisson_loss函數(shù)

tf.nn.log_poisson_loss(
    targets,
    log_input,
    compute_full_loss=False,
    name=None
)

定義在：tensorflow/python/ops/nn_impl.py.

請(qǐng)參閱指南：神經(jīng)網(wǎng)絡(luò)>損失操作

在給定log_input的情況下計(jì)算log Poisson損失.

在假設(shè)目標(biāo)具有Poisson分布的情況下,給出預(yù)測(cè)與目標(biāo)之間的對(duì)數(shù)似然損失(log-likelihood loss).

注意：默認(rèn)情況下,這不是確切的損失,而是損失減去常數(shù)項(xiàng)[log(z！)].這對(duì)優(yōu)化沒有影響,但是相對(duì)損失比較不能很好地發(fā)揮作用.

要計(jì)算log階乘項(xiàng)的近似值,請(qǐng)指定compute_full_loss = True以啟用Stirling的近似值.

為簡(jiǎn)潔起見,讓c = log(x) = log_input,z = targets.log Poisson損失是：

  -log(exp(-x) * (x^z) / z!)
= -log(exp(-x) * (x^z)) + log(z!)
~ -log(exp(-x)) - log(x^z) [+ z * log(z) - z + 0.5 * log(2 * pi * z)]
    [ Note the second term is the Stirling's Approximation for log(z!).
      It is invariant to x and does not affect optimization, though
      important for correct relative loss comparisons. It is only
      computed when compute_full_loss == True. ]
= x - z * log(x) [+ z * log(z) - z + 0.5 * log(2 * pi * z)]
= exp(c) - z * c [+ z * log(z) - z + 0.5 * log(2 * pi * z)]

參數(shù)：

• targets：一個(gè)Tensor,與log_input具有相同的類型和shape.
• log_input：一個(gè)Tensor,類型為float32或float64.
• compute_full_loss：是否計(jì)算全部損失.如果為false,則刪除常數(shù)項(xiàng)以支持更有效的優(yōu)化.
• name：操作的名稱(可選).

返回：

一個(gè)與log_input(有分量邏輯損失)具有相同shape的Tensor.

可能引發(fā)的異常：

• ValueError：如果log_input和targets沒有相同的shape.