我在计算张量流中的交叉熵方面很困难。特别是,我使用的功能:在张量流中计算交叉熵
tf.nn.softmax_cross_entropy_with_logits()
使用的是看似简单的代码,我只能得到它返回一个零
import tensorflow as tf
import numpy as np
sess = tf.InteractiveSession()
a = tf.placeholder(tf.float32, shape =[None, 1])
b = tf.placeholder(tf.float32, shape = [None, 1])
sess.run(tf.global_variables_initializer())
c = tf.nn.softmax_cross_entropy_with_logits(
logits=b, labels=a
).eval(feed_dict={b:np.array([[0.45]]), a:np.array([[0.2]])})
print c
回报
0
我的理解交叉熵如下:
H(p,q) = p(x)*log(q(x))
其中p(x)是事件x的真实概率,q(x)是事件x的预测概率。
如果有输入的任何两个数值为P(X)和q(x)的使用,使得
0<p(x)<1 AND 0<q(x)<1
应该有一个非零交叉熵。我期待着我正在使用张量流。预先感谢您的帮助。
于是,有趣的是我得到了使用交叉熵从这个项目的想法: https://github.com/carpedm20/DCGAN-tensorflow/blob/master/model.py他们正在使用它 到确定样本是否来自实际分布。然而,似乎二元softmax回归与逻辑回归相同。 –