在Tensorflow中，我有一个分类器网络和不平衡的训练班。由于各种原因，我不能使用重采样来补偿不平衡的数据。因此，我不得不用其他方法来弥补这种不平衡，特别是根据每个类中的例子数将逻辑乘以权重。我知道这不是首选的方法，但重采样不是一种选择。我的训练损失是tf.nn.softmax_cross_entropy_with_logits (我也可以尝试tf.nn.sparse_softmax_cross_entropy_with_logits)。Tensorflow文档在对这些操作的描述中包括以下内容：
警告:此操作期望不缩放的日志，因为它在内部执行logit的softmax以提高效率。不要用s
浏览 4提问于2016-09-30得票数 4
回答已采纳
在tensorflow中，有称为和的方法。
我阅读了tensorflow文档，并在谷歌上搜索了更多信息，但我找不到其中的区别。在我看来，两者都使用softmax函数来计算损失。
使用sampled_softmax_loss计算损失
loss = tf.reduce_mean(tf.nn.sampled_softmax_loss(...))
使用softmax_cross_entropy_with_logits计算损失
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(P, Q))
对我来说，计算软最大损失与计算软最大交叉
浏览 1提问于2016-02-06得票数 16
回答已采纳
下面的tensorflow函数的输出应该给出平均对数困惑度。我看过了源代码。但我不明白他们是如何计算损失的。
tf.contrib.legacy_seq2seq.sequence_loss(logits, targets, weights, average_across_timesteps=True, average_across_batch=True, softmax_loss_function=None, name=None)
浏览 0提问于2017-03-22得票数 0
我尝试手动重新计算这个函数的输出，所以我创建了一个最小的示例：
logits = tf.pack(np.array([[[[0,1,2]]]],dtype=np.float32)) # img of shape (1, 1, 1, 3)
labels = tf.pack(np.array([[[1]]],dtype=np.int32)) # gt of shape (1, 1, 1)
softmaxCrossEntropie = tf.nn.sparse_softmax_cross_entropy_with_logits(logits,labels)
softmaxCrossEntropie
浏览 0提问于2017-04-13得票数 12
回答已采纳
我刚开始接触tensorflow，有人能解释一下我们是怎么得到1.16012561的答案的吗？
unscaled_logits = tf.constant([[1., -3., 10.]])
target_dist = tf.constant([[0.1, 0.02, 0.88]])
softmax_xentropy =
tf.nn.softmax_cross_entropy_with_logits(logits=unscaled_logits,
labels=target_dist)
with tf.Session() as sess:
pr
浏览 2提问于2017-08-03得票数 2
我正在训练一个需要计算梯度的二阶导数(即梯度)的模型。下面是一小段这样做的代码：
mapping_loss = tf.losses.sparse_softmax_cross_entropy(
1 - adversary_label, adversary_logits)
adversary_loss = tf.losses.sparse_softmax_cross_entropy(
adversary_label, adversary_logits)
''' # doesnt work using tf.nn.softmax_cross_entropy
浏览 6提问于2017-07-16得票数 1
在使用神经网络进行分类时，有人说：
您通常希望使用softmax交叉熵输出，因为这给出了每个可能选项的概率。
在常见的情况下，只有两个选项，您想使用sigmoid，这是相同的事情，除了避免冗余输出p和1-p。
在TensorFlow中计算软件最大交叉熵的方法似乎是这样的：
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction,labels=y))
因此，输出可以直接连接到最小化代码，这是很好的。
我为sigmoid输出提供的代码，同样基于各种教程和示例，大致如下：
p =
浏览 0提问于2018-03-28得票数 2
回答已采纳
2回答
理解张量流函数输出
、、、
有人能解释一下为什么下面的代码会生成array([ 0.59813887, 0.69314718], dtype=float32)的输出吗？例如，numpy.log(0.5) = 0.69314718，但是0.598138是如何产生的呢？
import tensorflow as tf
res1 = tf.nn.sparse_softmax_cross_entropy_with_logits(_sentinel=None, labels=[1, 0], logits=[[0.4, 0.6], [0.5, 0.5]], name=None)
res2 = tf.nn.sparse_softma
浏览 1提问于2017-11-20得票数 0
回答已采纳
在Tensorflow中，我很难为我的卷积神经网络实现/使用序数分类代价函数。
您所知道的实现/文档/存储库是什么？
浏览 0提问于2018-05-23得票数 1
回答已采纳
当我尝试使用tensorflow中的sparse_softmax_cross_entropy_with_logits损失函数时，我得到了NaN。我有一个简单的网络，类似于：
layer = tf.nn.relu(tf.matmul(inputs, W1) + b1)
layer = tf.nn.relu(tf.matmul(layer, W2) + b2)
logits = tf.matmul(inputs, W3) + b3
loss = tf.sparse_softmax_cross_entropy_with_logits(logits, labels)
我有很多类(~10000)，所以我
浏览 0提问于2016-09-20得票数 7
回答已采纳
我正在制作一台计算机，用softmax函数从MNist数据集中预测手写的数字。奇怪的事情发生了。随着时间的推移，成本逐渐减少，最终变成了大约0.0038.(我使用softmax_crossentropy_with_logits()作为成本函数)，但是，准确率很低，只有33%。所以我想，“我不知道那里发生了什么，但是如果我分别做softmax和交叉熵，可能会产生不同的结果!”然后砰！准确率提高到89 %。我不知道为什么做softmax和交叉熵会产生如此不同的结果。我甚至在这里看了看:
这就是我用softmax_cross_entropy_with_logits()作为成本函数的代码(准确率: 3
浏览 7提问于2017-05-12得票数 2
回答已采纳
我是坦索弗洛的新手
在tensorflow会话代码的一部分中，有：
loss = tf.nn.softmax_cross_entropy_with_logits_v2(
logits=net, labels=self.out_placeholder, name='cross_entropy')
self.loss = tf.reduce_mean(loss, name='mean_squared_error')
为此，我想使用mean_squared_error损失函数。我在tensorf
浏览 0提问于2018-11-24得票数 2
回答已采纳
场景:我一直在为cifar10数据集训练CNN。我使用的是tensorflow，还有一个CNN，它有12个conv层和1个密集层，在softmax稠密层之前。我正在使用数据增强以及批处理规范化。
在几百个历次之后，我对验证集的准确率最高达到92.73 %。
我的问题是：
验证损失略有上升，因为我训练更多。
当验证损失增加时，验证的准确性也会上升。
示例：
一个时代给了我0.295的损失，验证的准确率为90.5%。我的最佳验证时间精度为92.73%，验证损失为0.33。
问题：
为什么我的验证精度提高，而我的验证损失却在上升？
我应该使用与cross_entropy不同的损失度量吗？
浏览 0提问于2020-01-23得票数 3
回答已采纳
我在训练中使用了交叉熵和单热点真值标签的Tensorflow分类器。这是否容易受到虚拟变量陷阱的影响？如果是这样，我是否应该删除其中一个类？如果不是，那么tf.nn.softmax_cross_entropy_with_logits是否对虚拟变量陷阱免疫？代码：
batch_size = tf.shape(truthLabels_placeholder)[0]
indices = tf.expand_dims(tf.range(0, batch_size), 1)
labels = tf.expand_dims(truthLabels_placeholder, 1)
concated = tf
浏览 15提问于2017-12-15得票数 0
回答已采纳
我注意到tf.nn.softmax_cross_entropy_with_logits_v2(labels, logits)主要执行3种操作：
将softmax应用于逻辑(y_hat)，以便对它们进行规范化：y_hat_softmax = softmax(y_hat)。
计算交叉熵损失：y_cross = y_true * tf.log(y_hat_softmax)
实例的不同类的求和：-tf.reduce_sum(y_cross, reduction_indices=[1])
借用自的代码完美地说明了这一点。
y_true = tf.convert_to_tensor(n
浏览 0提问于2018-03-20得票数 14
我实现了一个简单的cnn网络的图像分类(二进制分类)。我在Python中使用tensorflow。我使用tf.softmax_cross_entropy_with逻辑作为成本函数。我从我的模型的输出层用未规范化的逻辑输入成本函数。函数应该输出规范化概率，还是我错了？
在培训我的模型，我是印刷成本的每一个例子。如果模型正确地预测了输出，则成本等于0.0，否则成本非常大，非规范化值)。在计算交叉熵前输入函数'softmaxes‘时，为什么输出是不归一化的？
浏览 0提问于2017-06-09得票数 0
回答已采纳
在Keras文档中的培训示例中，
使用binary_crossentropy，并在网络的最后一层中添加sigmoid激活，但是否有必要在最后一层中添加sigmoid？正如我在源代码中所发现的：
def binary_crossentropy(output, target, from_logits=False):
"""Binary crossentropy between an output tensor and a target tensor.
Arguments:
output: A tensor.
target: A tensor
浏览 8提问于2017-08-17得票数 8
1回答
我已经编写了一个python脚本，它计算中位频率，平衡每个类在像素级分割期间的权重。然后，我在Python Layer模型定义中添加了一个caffe，它将权重发送给损失函数。基于，用户提到caffe中的SoftmaxWithLoss层对应于TensorFlow softmax_cross_entropy_with_logits。我的问题是如何将权重发送到SoftmaxWithLoss层？在median frequency balancing中还可以使用哪些其他损耗层？我使用了InfoGainLoss，但它不收敛。非常感谢你的帮助。
浏览 2提问于2018-01-19得票数 0
我最近遇到了tensorflow softmax_cross_entropy_with_logits，但我不知道它的实现与sigmoid_cross_entropy_with_logits有什么不同。
浏览 0提问于2016-11-22得票数 4
我正在开发一个基于他们的MNIST初学者模板的Tensorflow网络。基本上，我尝试实现一个简单的逻辑回归，其中10个连续变量预测二元结果，因此我的输入是0到1之间的10个值，而我的目标变量(代码中的Y_train和Y_test )是1或0。
我的主要问题是，无论我运行多少训练集，准确率都没有变化--无论我跑100步还是31240步，准确率都是0.276667。此外，当我从softmax切换到简单的matmul来生成我的Y值时，我得到了0.0精度，这表明我的x*W +b计算可能有问题。输入读出得很好。
我想知道的是，a)我是否因为代码中的错误而没有正确地计算Y值；b)如果不是这样，我是否需要
浏览 2提问于2017-08-12得票数 7
回答已采纳
1回答
我正在构建一个二进制分类，其中我想要预测的类只出现在<2%的时间。我用的是火把
最后一层可能是logosftmax或softmax。
self.softmax = nn.Softmax(dim=1)或self.softmax = nn.LogSoftmax(dim=1)
我的问题
我应该使用softmax，因为它将提供总结为1的输出，并且我可以检查各种prob阈值的性能。这样理解正确吗？
如果我使用softmax，那么我可以使用cross_entropy loss吗？这似乎认为使用它是可以的。
如果我使用logsoftmax，那么我可以使用cross_entropy loss吗？这似乎建
浏览 0提问于2022-03-03得票数 0
回答已采纳
1回答
我通过在线搜索遇到了很多建议，但我不知道正确的方法。假设我的模型输出是4个神经元，目标标签是1000 0100 0010 0001。 在tensorflow中，我在末尾添加了softmax层，并使用CategoricalCrossEntropy添加了model.fit。 在pytorch中做这件事的正确方法是什么？ 现在，我所做的(以及它的工作)是插入我的模型输出和目标的torch.argmax()一个热点向量。例如，模型输出为(0.7,0.1,0.1,0.1)，目标向量的torch.argmax为0。在这上面，我激活了nn.CrossEntropyLoss()。 这是正确的做法吗？
浏览 62提问于2021-06-22得票数 0
回答已采纳
在TensorFlow中，我们有tf.nn.softmax_cross_entropy_with_logits，它只允许你使用你的预测日志和黄金标签的索引(one-hot)。然而，有时我们想要计算两个分布的交叉熵，即黄金标准不是一热的。我怎样才能达到这个目的？
浏览 2提问于2020-10-06得票数 0
我用TensorFlow训练二值分类神经网络。
为了建立这个网络，半年前我学习了TensorFlow网站- 的教程.
今天，当我比较这两种代码(教程中的代码和我编写的代码)时，我可以看到交叉熵计算的不同。我不知道为什么会有这种区别。
在教程中，计算出的交叉熵如下：
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(y_conv, y_))
在中，我的代码计算如下：
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), red
浏览 2提问于2017-01-25得票数 0
我开始使用tensorflow (来自咖啡馆)，我正在使用loss sparse_softmax_cross_entropy_with_logits。该函数接受像0,1,...C-1这样的标签，而不是The。现在，我想根据类别标签使用一个权重；我知道如果我使用softmax_cross_entropy_with_logits (一种热编码)，这可以通过矩阵乘法来完成，有没有办法对sparse_softmax_cross_entropy_with_logits做同样的事情
浏览 1提问于2016-10-23得票数 14
1回答
我在tensorflow上训练CNN，但我的损失并没有改善；我注意到tf.nn.softmax()正在返回一个只有0和1的张量，而不是我所期望的分布。，我认为这是我不能训练网络的原因，但我不知道如何解决它。
浏览 0提问于2018-05-04得票数 0
2回答
在何处使用二进制交叉熵损失
、、、、
我有两个问题：
，我能看到TensorFlow实现这些损失函数的任何来源吗？我在他们的网站上搜索过，没有找到实现这些损失函数的公式。
当我使用tf.keras.losses.BinaryCrossentropy(from_logits=True)，损失函数时，目标是什么？一个热向量([0，1])还是仅仅是常数张量(1)？我观察并注意到，这对他们都有效。你能把公式写下来吗？
编辑:我有分类，比如猫对狗。
浏览 7提问于2020-08-19得票数 1
回答已采纳
我很习惯把日志丢失，RMSE，交叉熵等函数看作目标函数，很容易想象为什么最小化这些函数会给我们最好的模型。难以想象的是，XGBoost如何使用softmax (一种用于将逻辑规范化的函数)作为成本函数。正如docs 这里中提到的那样。
如何使softmax函数最小化？
浏览 0提问于2019-10-15得票数 3
回答已采纳
1回答
我有一种计算网络输出层和训练期间作为输入的输入目标标签之间的损失的方法。我的代码看起来是：
def get_loss(y_pred, y_true):
y_true = tf.cast(y_true, 'int32')
loss = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y_true, logits=y_pred)
# loss shape : <tf.Tensor 'softmax_cross_entropy_with_logits/Reshape_2:0' sha
浏览 4提问于2019-12-06得票数 1
1回答
对于标题中的问题的答案是非常明显的，因为它通常被称为"ArcFace丢失“。
然而，有一部分让我感到困惑：
我正在阅读Arcface的以下Keras实现：
在其中，请注意，model.compile行仍然指定loss='categorical_crossentropy'。
此外，我还看到了许多将Softmax称为损失函数的来源，而我以前所理解的是许多分类神经网络输出层的激活函数。
基于这两个混淆点，我目前的理解是，丢失函数，即网络实际上是如何计算给定示例表示“错误程度”的数目的，而不管是交叉熵。ArcFace，和Softmax一样，是输出层的激活函数。
这是对的吗？如
浏览 5提问于2019-12-17得票数 2
2回答
分类熵与二进制交叉熵的区别
、、、、
使用keras，我必须训练一个模型来预测图像属于0类或1类，我对二进制和categorical_cross_entropy感到困惑。我已经找过了，但我还是很困惑。有些人提到，当我们试图预测多个类时，我们只使用范畴交叉熵，为此我们应该使用一个热编码向量。因此，这意味着我们在使用binary_cross_entrpoy进行训练时，不需要任何热编码的矢量标签。有些人建议将one_hot向量表示为或binary_cross_entropy的。我使用一个热编码器，0，1或10，与绝对交叉熵。我最后一层是
model.add(Dense(num_classes, activation='softm
浏览 0提问于2018-10-24得票数 1
回答已采纳
我使用Bi分类器进行多标签文本分类，这意味着11个类的数据集中有超过一个标签的实例。当我使用乙状结肠激活函数和"binary_crossentropy“损失函数时，比使用"categorical_crossentropy”损失函数的"softmax“激活函数具有更高的精度。为什么？
浏览 0提问于2022-02-14得票数 0
我正在浏览Pytorch和Tensorflow中的交叉熵文档。我知道他们正在修改交叉熵的朴素实现，以解决潜在的数值溢出/下溢。然而，我不能理解这些修改是如何起作用的。
遵循以下逻辑：
哪里
是softmax分数，并且
是原始分数。
这似乎不能解决问题，因为
也会导致数字溢出。
现在，我们将其与Tensorflow的实现进行对比(我得到了。这可能是完全错误的)-
让
是所有k个原始logit分数的向量。
虽然这解决了溢出问题，但它遇到了下溢问题，因为有可能
这将导致更小的
有没有人能帮我理解一下这是怎么回事？
浏览 7提问于2020-08-30得票数 5
我刚刚开始在我正在从事的一个项目中使用tensorflow。该程序的目标是成为一个具有12个特征的二进制分类器。输出可以是普通患者，也可以是疾病患者。这种疾病的流行率非常低，所以我的数据集非常不平衡，有502例正常对照和只有38名疾病患者。出于这个原因，我尝试使用tf.nn.weighted_cross_entropy_with_logits作为我的成本函数。 该代码基于官方tensorflow文档中的虹膜自定义估计器，并使用tf.losses.sparse_softmax_cross_entropy作为成本函数。但是，当我更改为weighted_cross_entropy_with_log
浏览 25提问于2019-03-15得票数 1
我正在使用tensorflow执行语义分割任务。我有5个类，我这样计算损失：
loss = tf.reduce_mean((tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=tf.squeeze(annotation, squeeze_dims=[3]), name="entropy")))
logits具有形状(batch_size，picture_height，picuture_width，5)
annotation具有形状(batch_size，picture_height，picut
浏览 3提问于2018-03-16得票数 0
我的Convnet的输出非常不寻常。当打印出前向传播结果的输出向量时，对于数据集中的整个标签，它完全是0，0，0，1，常数。我怀疑我的结构中有一个错误。
import os
import sys
import tensorflow as tf
import Input
import os, re
"""
This is a model based on the CIFAR10 Model.
The general structure of the program and a few functions are
borrowed from Tensorflow examp
浏览 15提问于2017-03-03得票数 0
回答已采纳
我正在检查这个官方的TensorFlow教程在葡文-英文翻译的变压器模型上。
我很惊讶在创建转换器时，它们的最终输出是一个线性激活的密集层，而不是Softmax。为什么是这种情况？在最初的论文注意是你所需要的中，图像非常清晰，在末尾有一个Softmax层(图1，第3页)。
当您的任务涉及构建语言模型，而您的损失是基于稀疏的分类交叉熵时，您如何证明这种差异？
浏览 0提问于2020-11-22得票数 0
回答已采纳
2回答
损失从一开始就等于0
、、、
我正在尝试使用Tensorflow进行泰坦尼克号Kaggle比赛。
我的预处理后的训练数据如下所示：
data_x:
PassengerId Pclass Sex Age SibSp Parch Ticket Fare Cabin \ Embarked
1 2 1 1 38.0 1 0 500 71.2833 104
2 3 3 1 26.0 0 0 334 7.9250 0
3
浏览 13提问于2017-08-18得票数 1
我用一个随机数测试了"softmax_cross_entropy_with_logits_v2“
import tensorflow as tf
x = tf.placeholder(tf.float32,shape=[None,5])
y = tf.placeholder(tf.float32,shape=[None,5])
softmax = tf.nn.softmax_cross_entropy_with_logits_v2(logits=x,labels=y)
with tf.Session() as sess:
feedx=[[0.1,0.2,0.3,0.4,0.
浏览 1提问于2018-09-02得票数 4
回答已采纳
1回答
我正在尝试使用'inception resnet v2.py'进行多标签分类。 我用了乙状结肠，但效果不好。 你知道在哪里换车吗？ https://github.com/tensorflow/models/tree/master/research/slim "train_image_classifier.py"已更改为sigmoid，但效果与使用softmax一样好。 我必须将它从"net“文件夹中的"inception resnet v2.py"更改吗？ if 'AuxLogits' in end_points:
浏览 18提问于2019-05-07得票数 1
最近我做了一个家庭作业，我不得不学习一个MNIST 10位数分类的模型。HW有一些脚手架代码，我应该在这个代码的上下文中工作。
我的家庭作业很有效/通过了测试，但现在我尝试从头开始(我自己的nn框架，没有hw脚手架代码)，我不得不在后台步骤中应用softmax的宏伟功能，甚至认为hw脚手架代码可能不正确。
hw让我使用他们所说的‘软最大损失’作为nn中的最后一个节点。这意味着，由于某种原因，他们决定将softmax激活与交叉熵损失结合在一起，而不是将softmax作为激活函数和交叉熵作为单独的损失函数。
然后，hw损失函数看起来如下(由我编辑的最低限度)：
class SoftmaxLoss:
浏览 0提问于2018-03-26得票数 8
回答已采纳
1回答
什么是像素级softmax损失？
、、、、
像素级的softmax损失是多少？在我的理解中，这只是一个交叉熵损失，但我没有找到公式。有人能帮我吗？最好是有pytorch代码。
浏览 1提问于2019-07-25得票数 3
我最近注意到，我可以拥有并使用Tensorflow模型，该模型具有任意数量的输出，即使预测值只是一个真实值。例如，我可以有16个输出的模型，只有一个真正的目标值，然而，模型仍然没有错误的正常训练。
我的问题是，在比较输出和目标值时，Tensorflow如何处理输出的不正确大小。怎样才能计算损失呢？它是试图使每个输出尽可能接近目标值，还是做某种平均？
浏览 7提问于2021-12-16得票数 1
1回答
如何在自己的图像分类数据集上对抗性地训练googlenet模型？ 例如:使用cleverhans库，有批处理要运行攻击的数据是MNIST和CIFAR。 我用自己的数据(Googlenet)使用Tensorflow训练了一个图像分类器，现在我想用对抗性的例子来训练模型。我可以用cleverhans库做的任何想法。谢谢。
浏览 15提问于2019-03-18得票数 0
回答已采纳
我正在训练一个面部表情(愤怒和快乐)的模特。最后的密集输出层以前是1，但当我预测一幅图像时，它的输出总是1，精度为64 %。因此，我将它改为2，用于2输出。但是现在我发现了一个错误：：
Epoch 1/15
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-54-9c7272c38dcb> in
浏览 23提问于2020-05-12得票数 48
回答已采纳
当我使用Keras运行基本神经网络时，验证精度正在提高，但精度、损耗和val_loss主要是nan。
运行环境和其他信息
'2.4.0'TensorFlow版本：'2.3.0'OS: Ubuntu20.04.1 LTSGPU: Radeon 580 SeriesPython运行在木星笔记本(没有图书馆版本问题，我知道)
import tensorflow as tf
from tensorflow import *
from tensorflow.keras.callbacks import EarlyStopping
from tensorflow.kera
浏览 15提问于2020-09-16得票数 0
当试图用sigmoid激活函数求交叉熵时，
loss1 = -tf.reduce_sum(p*tf.log(q), 1)
loss2 = tf.reduce_sum(tf.nn.sigmoid_cross_entropy_with_logits(labels=p, logits=logit_q),1)
但当具有softmax激活函数时，它们是相同的。
以下是示例代码：
import tensorflow as tf
sess2 = tf.InteractiveSession()
p = tf.placeholder(tf.float32, shape=[None, 5])
l
浏览 2提问于2017-09-19得票数 57
1回答
Tensorflow在构造RNN层时通过使用参数'sequence_length‘来支持动态长度序列，其中模型不学习序列size = 'sequence_length’之后的序列，即返回零向量。
然而，如何修改的成本函数以遇到掩码序列，以便仅计算实际序列的成本和复杂性，而不是整个填充序列？
def sequence_loss_by_example(logits, targets, weights, average_across_timesteps=True, softmax_loss_function=None, name=None):
if len(targets
浏览 9提问于2016-07-21得票数 1
回答已采纳
我想对n个类执行多标签图像分类任务。我得到了每个图像的稀疏标签向量，每个标签向量的每个维度目前都是这样编码的：
1.0 ->Label true /图像属于此类
-1.0 ->Label false /图像不包含此类。
0.0 ->missing值/标签
例如: V= {1.0，-1.0,1.0，0.0}
对于这个例子V，模型应该学习，相应的图像应该被分类在第一类和第三类中。
我目前的问题是如何处理缺少的值/标签。我搜索了所有的问题，发现了这个问题: tensorflow/skflow#113
因此可以使用: tf.nn.sigmoid_cross_entropy_with
浏览 4提问于2016-09-26得票数 10
1回答
在中，输出层没有激活。
logits = tf.layers.dense(net, params['n_classes'], activation=None)
然后使用sparse_softmax_cross_entropy计算损失
loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=logits)
问题
一般来说，输出层也应该有激活功能吗？
sparse_softmax_cross_entropy是指在计算损耗时，采用最大软件作为输出层的激活函数。
浏览 1提问于2018-03-26得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
