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

tf.nn.sigmoid_cross_entropy_with_logits函數(shù)

tf.nn.sigmoid_cross_entropy_with_logits(
    _sentinel=None,
    labels=None,
    logits=None,
    name=None
)

定義在：tensorflow/python/ops/nn_impl.py。

計(jì)算給定logits的sigmoid交叉熵。

測(cè)量離散分類任務(wù)中的概率誤差，其中每個(gè)類是獨(dú)立的而不是互斥的。例如，可以執(zhí)行多標(biāo)簽分類，其中圖片可以同時(shí)包含大象和狗。

為簡(jiǎn)潔起見， x = logits, z = labels。logistic損失是：

  z * -log(sigmoid(x)) + (1 - z) * -log(1 - sigmoid(x))
= z * -log(1 / (1 + exp(-x))) + (1 - z) * -log(exp(-x) / (1 + exp(-x)))
= z * log(1 + exp(-x)) + (1 - z) * (-log(exp(-x)) + log(1 + exp(-x)))
= z * log(1 + exp(-x)) + (1 - z) * (x + log(1 + exp(-x))
= (1 - z) * x + log(1 + exp(-x))
= x - x * z + log(1 + exp(-x))

對(duì)于x <0，為避免exp（-x）中的溢出，我們重新配置上述內(nèi)容：

  x - x * z + log(1 + exp(-x))
= log(exp(x)) - x * z + log(1 + exp(-x))
= - x * z + log(1 + exp(x))

因此，為了確保穩(wěn)定性并避免溢出，使用以下的等效公式實(shí)現(xiàn)：

max(x, 0) - x * z + log(1 + exp(-abs(x)))

logits和labels必須具有相同的類型和shape。

參數(shù)：

• _sentinel：用于防止positional參數(shù)。內(nèi)部的，不要使用。
• labels：一個(gè)Tensor，與logits具有相同的類型和shape。
• logits：一個(gè)Tensor，類型為float32或float64。
• name：操作的名稱（可選）。

返回：

與具有分量logistic損失的logits有著相同shape的Tensor。

可能引發(fā)的異常：

• ValueError：如果logits和labels沒有相同的shape。