Keras中损失函数的意义？
我用python中的keras建立了一个神经网络，无法真正理解损失函数的含义。
这里首先介绍一些一般信息:我使用了类为0-9的扑克手数据集，这是我用OneHotEncoding编写的向量。我在最后一层使用了softmax激活，所以我的输出告诉我，如果样本属于某个类，向量中的10个条目中的每个条目的概率。例如:我的实际输入(0，1，0，0，0，0，0，0，0，0，0)，这意味着第1类(从0-9表示从没有牌到皇家同花顺)，第1类意味着一对(如果你知道扑克)。利用神经网络，它得到了像(0.4，0.2，0.1，0.1，0.2，0, 0，0,0,0)这样的输出，这意味着我的样本属于0类，20 %属于1类，等等！
好了！我还使用二进制cross_entropy作为损失，准确性度量和.当我从keras中使用mode.evaluate()时，我得到了类似于0.16的损失，我不知道如何解释这一点。这是否意味着，平均而言，我的预测偏离了真实的0.16？所以如果我对0级的预测是0.5，也可以是0.66或0.34？或者我怎么解释它？
请派人来帮忙！
回答 1
Stack Overflow用户
发布于 2020-05-04 02:08:38
首先，根据您的问题定义，您有一个多类问题。因此，您应该使用categorical_crossentropy。二进制cross_entropy适用于两类问题或多标签分类.
但一般情况下，损失函数的值具有相对的影响值。首先，您必须理解cross_entropy的含义。公式是：
其中c是观测的正确分类
Y是二进制指示符(0或1)，如果类标号c是观测值o的正确分类，那么p是c类的预测概率。
对于二进制交叉熵，M等于2。对于范畴交叉熵，M>2。因此，当预测的概率收敛到实际标号时，交叉熵就会减小：
现在让我们以您的示例为例，其中您有10个类，实际输入是：(0，1，0，0，0，0，0，0，0，0，0，0，0)。如果你损失了0.16，就意味着
这意味着您的模型已将0.85分配给正确的标签。
因此，损失函数给出正确分类概率的日志。在角点中，损失是按整批计算的，它是整个数据在特定批次中正确分类概率的日志的平均值。如果您使用evaluate函数，那么您正在评估的整个数据的正确分类概率的日志平均值。
https://stackoverflow.com/questions/61589138
复制
腾讯云开发者
