回答情况：
提问时间：
问题标签：
我们建立N个输出的神经网络，用softmax将其转化为概率，损失是每个NN输出和相应的真标号之间的平均cross-entropy，表示为真标号中带有1的1-hot向量和其他0。但是，我知道在执行policy gradient时我们可以使用，我们不再需要使用cross-entropy！我们的损失只是tf.gather与正确标签对应的NN输出。例如。我在想，我们使用cross-entropy的原因是因为它是可微的，但显然tf.gather是。我的意思是--如果我们用分类错误来衡量自己，并且我们可以对分类错误进行优化，因为分类错误是可以区分的，那
浏览 3提问于2017-08-19得票数 1
回答已采纳
我有许多包含目标行的日志文件，我希望'grep'，例如：我希望将间隔为制表符的"2“和"0.556984”切成一个文件grep "Cross-Entropy (masked data):" *.log | cut -d '.'-f 3 >> targetFile.txt
浏览 0修改于2016-11-28得票数 0
如果我使用sigmoid作为binary cross-entropy loss的最后一个激活函数，我在我的第一个纪元中获得了98%的准确率，但它实际上没有学到任何东西。所以我改为在categorical cross-entropy loss中使用sigmoid，看起来效果更好，但我认为不推荐这样做？
我想要一些关于在这种情况下我应该使用什么激活和损失的指导。谢谢!
浏览 2修改于2020-05-15得票数 2
我需要使用SSIM进行第一次输出，使用cross-entropy进行下一次输出。损失函数是它们的组合。然而，我需要更高的SSIM和更低的cross-entropy，所以我认为它们的组合是不正确的。
浏览 50修改于2019-04-10得票数 3
我相信它是cross-entropy，，但它没有写在官方网站上。有人能证实我的猜测吗？
浏览 4修改于2020-07-06得票数 0
回答已采纳
return a.T
def sigmoid(t): ind = np.argwhere(y==1)[:,1]
#compute cross-entropy
浏览 10修改于2022-03-05得票数 0
显然，SVM选择最大边缘分类器，logistic回归是cross-entropy损失最小化的分类器。在某些情况下，SVM的表现要好于logistic回归，反之亦然？
浏览 0修改于2018-05-14得票数 12
回答已采纳
“守则”： """ cost -- cross-entropycost given equation (13)
"""
浏览 0修改于2018-07-19得票数 2
2回答
out of the linear box is fead into softmax
The output of softmax is fed into the distance function cross-entropy
浏览 1修改于2017-05-23得票数 1
回答已采纳
中使用自定义丢失函数实现，在概念上如下所示： ... # Compute the cross-entropymodel.input)
# Compute the cross-entropy
浏览 1提问于2018-11-20得票数 2
回答已采纳
我得到了这个错误：# mlp for the blobs multi-class classification problem with cross-entropy
浏览 2修改于2021-07-15得票数 0
回答已采纳
class_weight = None, ignore_label = -1, reduce = 'mean', enable_double_backprop = False,
soft_target_loss = 'cross-entropy
浏览 17提问于2020-01-05得票数 1
LogisticRegression does.It计算系数和拦截以最小化half of sum of squares of the coefficients + C times the binary cross-entropy
浏览 0提问于2018-12-24得票数 16
回答已采纳
0.5 # The prediction thresholded
xent = -y * T.log(p_1) - (1-y) * T.log(1-p_1) # Cross-entropy
浏览 0提问于2016-04-22得票数 0
1, 28 * 28 * 3])
Y = tf.nn.softmax(tf.matmul(XX, W) + b)
# Y_: the desired output vector
浏览 1修改于2017-09-06得票数 0
回答已采纳
据我所知，log loss是一个cross-entropy损失函数，理论上可以处理软标签，即给出一些概率0,1的标签。
浏览 14修改于2022-03-19得票数 11
回答已采纳
我认为神经网络的全部要点总是与可微的操作一起工作，比如cross-entropy，而不是做一些奇怪的事情，比如根据随机选择的、明显不可微的self.actions_array来选择self.y的索引。
浏览 7提问于2017-08-16得票数 10
units=1, activation='sigmoid'))
network.compile(loss='binary_crossentropy', # Cross-entropy
浏览 2修改于2022-08-01得票数 0
回答已采纳
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号