Keras 中损失函数的含义？
Meaning of Loss function in Keras?
我在python用keras做了一个神经网络，并不能真正理解损失函数的含义。
所以这里首先是一些一般信息：
我使用 classes 0-9 处理扑克牌手数据集，我用 OneHotEncoding 将其写为向量。我在最后一层使用了 softmax 激活，所以我的输出告诉我对于向量中的 10 个条目中的每一个，样本属于某个 class 的概率。例如：
我的真实输入是（0,1,0,0,0,0,0,0,0,0），表示class 1（从0-9表示从无牌到同花大顺），以及class 1 表示一对（如果你懂扑克的话）。
使用神经网络，它会得到类似 (0.4, 0.2, 0.1, 0.1, 0.2, 0,0,0,0,0) 的输出，这意味着我的样本有 40% 属于 class 0 , 20% 到 class 1 等等！
好的！我还使用二进制 cross_entropy 作为损失、准确度指标和 RMSprop-Optimizer。
当我使用来自 keras 的 mode.evaluate() 时，我得到了类似 0.16 的损失，我不知道如何解释这个。
这是否意味着我的预测平均偏离真实值 0.16？所以如果我对 class 0 的预测是 0.5，它也可能是 0.66 或 0.34？
或者我该如何解释？
请大家帮忙！
首先，根据您的问题定义，您有一个多 class 问题。因此，您应该使用 categorical_crossentropy。二进制 cross_entropy 用于双 class 问题或多标签 class化。
但一般损失函数的取值有一个相对的影响值。首先，您必须了解 cross_entropy 的含义。公式为：
在哪里
c 是观察 o 和
的正确class化
y 是二元指标（0 或 1），如果 class 标签 c 是观察 o 的正确 class 化并且 p 是 o 属于 class c 的预测概率。
对于二元交叉熵，M 等于 2。对于分类交叉熵，M>2。
因此，如果预测概率收敛到实际标签，则交叉熵减小：
现在让我们以您的示例为例，您有 10 个 classes，您的实际输入是：(0,1,0,0,0,0,0,0,0,0)。
如果你有0.16的损失，那就意味着
这意味着您的模型已将 0.85 分配给正确的标签。
因此，损失函数为您提供正确 class 化概率的对数。在 keras 中，损失是按整批计算的，它是特定批次中整个数据的正确 class 化概率的对数的平均值。如果您使用 evaluate 函数，则它是您正在评估的整个数据的正确 class 化概率的对数的平均值。
我在python用keras做了一个神经网络，并不能真正理解损失函数的含义。
所以这里首先是一些一般信息： 我使用 classes 0-9 处理扑克牌手数据集，我用 OneHotEncoding 将其写为向量。我在最后一层使用了 softmax 激活，所以我的输出告诉我对于向量中的 10 个条目中的每一个，样本属于某个 class 的概率。例如： 我的真实输入是（0,1,0,0,0,0,0,0,0,0），表示class 1（从0-9表示从无牌到同花大顺），以及class 1 表示一对（如果你懂扑克的话）。 使用神经网络，它会得到类似 (0.4, 0.2, 0.1, 0.1, 0.2, 0,0,0,0,0) 的输出，这意味着我的样本有 40% 属于 class 0 , 20% 到 class 1 等等！
好的！我还使用二进制 cross_entropy 作为损失、准确度指标和 RMSprop-Optimizer。 当我使用来自 keras 的 mode.evaluate() 时，我得到了类似 0.16 的损失，我不知道如何解释这个。 这是否意味着我的预测平均偏离真实值 0.16？所以如果我对 class 0 的预测是 0.5，它也可能是 0.66 或 0.34？ 或者我该如何解释？
请大家帮忙！
首先，根据您的问题定义，您有一个多 class 问题。因此，您应该使用 categorical_crossentropy。二进制 cross_entropy 用于双 class 问题或多标签 class化。
但一般损失函数的取值有一个相对的影响值。首先，您必须了解 cross_entropy 的含义。公式为：
在哪里
c 是观察 o 和
的正确class化
y 是二元指标（0 或 1），如果 class 标签 c 是观察 o 的正确 class 化并且 p 是 o 属于 class c 的预测概率。
对于二元交叉熵，M 等于 2。对于分类交叉熵，M>2。
因此，如果预测概率收敛到实际标签，则交叉熵减小：
现在让我们以您的示例为例，您有 10 个 classes，您的实际输入是：(0,1,0,0,0,0,0,0,0,0)。
如果你有0.16的损失，那就意味着
因此，损失函数为您提供正确 class 化概率的对数。在 keras 中，损失是按整批计算的，它是特定批次中整个数据的正确 class 化概率的对数的平均值。如果您使用 evaluate 函数，则它是您正在评估的整个数据的正确 class 化概率的对数的平均值。