如何使用tensorflow tf.losses.softmax_cross_entropy？

Question

我正在做一些语义分割问题，需要定义损失函数。

有人知道如何使用tensorflow "tf.losses.softmax_cross_entropy“吗？

文档中说，函数的第一个输入是onehot_labels，那么我们是否需要先将像素类标签转换为一个热编码格式，并将一个热编码输入到该函数中？

或者我们可以在这篇文章sigmoid_cross_entropy loss function from tensorflow for image segmentation中直接输入像tf.losses.sigmoid_cross_entropy这样的像素类标签

非常感谢!

Answer 1

我基本上解决了我的问题，请看下面的演示代码。

# each element is a class label for vectors (eg,[2,1,3]) in logits1
indices = [[1, 0],[1, 0]]
# each 1d vector eg [2,1,3] is a prediction vector for 3 classes 0,1,2;
# i.e., class 0 is predicted to be 2 and class 1 is predicted to be 1
# softmax will map this to corresponding probabilities
logits1 = np.array([  [[2.0,1.,3.],[2.,1,3]],   [[1.0,2.,3.],[2.,1,3]]   ])
print(logits1)
depth = 3

# first go to one hot encode format
# depth is nb of classes
encode = tf.one_hot(indices, depth)
# dim of encode must be equal to dim of logits
test = tf.losses.softmax_cross_entropy(onehot_labels = encode, logits = logits1)
init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    init_op.run()
    print(sess.run(encode))
    print(sess.run(test))

这个函数的实际作用如下：

(-np.log(np.exp(1)/(np.exp(1)+np.exp(2)+np.exp(3)))-np.log(np.exp(2)/(np.exp(2)+np.exp(1)+np.exp(3))))/4 +\
(-np.log(np.exp(2)/(np.exp(1)+np.exp(2)+np.exp(3)))-np.log(np.exp(2)/(np.exp(2)+np.exp(1)+np.exp(3))))/4