机器学习 – Tensorflow和Scikitlearn log_loss函数实现之间的区别

2019年7月20日 349次阅读

嗨,我想进入tensorflow,感觉有点愚蠢.

TF中的log_loss与sklearn的不一样吗？

以下是我的代码中的一些行,我是如何计算的：

from sklearn.metrics import log_loss

tmp = np.array(y_test)
y_test_t = np.array([tmp, -(tmp-1)]).T[0]

tf_log_loss = tf.losses.log_loss(predictions=tf.nn.softmax(logits), labels=tf_y)

with tf.Session() as sess:

    # training

    a = sess.run(tf.nn.softmax(logits), feed_dict={tf_x: xtest, keep_prob: 1.})
    print("    sk.log_loss: ", log_loss(y_test, a,eps=1e-7 ))
    print("    tf.log_loss: ", sess.run(tf_log_loss, feed_dict={tf_x: xtest, tf_y: y_test_t, keep_prob: 1.}))

输出我得到

Epoch  7, Loss:     0.4875 Validation Accuracy: 0.818981
    sk.log_loss:  1.76533018874
    tf.log_loss:  0.396557
Epoch  8, Loss:     0.4850 Validation Accuracy: 0.820738
    sk.log_loss:  1.77217639627
    tf.log_loss:  0.393351
Epoch  9, Loss:     0.4835 Validation Accuracy: 0.823374
    sk.log_loss:  1.78479079656
    tf.log_loss:  0.390572

看起来像tf.log_loss会收敛sk.log_loss分歧.

最佳答案 我有同样的问题.在查找了
tf.losses.log_loss的源代码后,其
key lines show wat正在进行中：

losses = - math_ops.multiply(labels, math_ops.log(predictions + epsilon))
    - math_ops.multiply((1 - labels), math_ops.log(1 - predictions + epsilon))

它是二进制日志丢失(即每个类被认为是非排他性的)而不是多类日志丢失.

当我使用概率(而不是logits)时,我无法使用tf.nn.softmax_cross_entropy_with_logits(尽管我可以应用对数).
我的解决方案是手动实现日志丢失：

loss = tf.reduce_sum(tf.multiply(- labels, tf.log(probs))) / len(probs)

也可以看看：

> https://github.com/tensorflow/tensorflow/issues/2462
> difference between tensorflow tf.nn.softmax and tf.nn.softmax_cross_entropy_with_logits

点赞