Tensorflow加权与S形交叉熵损失

  • Z时代
  • 2024-01-10
  • 分类：问答

我试图用TensorFlow实现多标签分类（即每个输出模式可以有许多活动单位）。该问题具有不平衡的类（即，比标签分布中的零多得多，这使得标签模式非常稀疏）。Tensorflow加权与S形交叉熵损失

解决此问题的最佳方法应该是使用tf.nn.weighted_cross_entropy_with_logits函数。但是，我得到这个运行时错误：

ValueError: Tensor conversion requested dtype uint8 for Tensor with dtype float32

我不明白这里有什么问题。由于输入损失函数，我通过标签张量，该张量logits，阳性类权重，这是一个常数：

positive_class_weight = 10 
loss = tf.nn.weighted_cross_entropy_with_logits(targets=labels, logits=logits, pos_weight=positive_class_weight)

有关如何解决这个任何提示？如果我只是将相同的标签和logits张量传递给tf.losses.sigmoid_cross_entropy损失函数，那么一切正常（从Tensorflow正常运行的意义上讲，但当然，训练后的预测始终为零）。

查看相关问题here。

回答：

的错误很可能会丧失功能后，被抛出，因为tf.losses.sigmoid_cross_entropy和tf.nn.weighted_cross_entropy_with_logits之间的唯一显著差异是返回张的形状。

看看这个例子：

logits = tf.linspace(-3., 5., 10) 
labels = tf.fill([10,], 1.) 
positive_class_weight = 10 
weighted_loss = tf.nn.weighted_cross_entropy_with_logits(targets=labels, logits=logits, pos_weight=positive_class_weight) 
print(weighted_loss.shape) 
sigmoid_loss = tf.losses.sigmoid_cross_entropy(multi_class_labels=labels, logits=logits) 
print(sigmoid_loss.shape)

张量logits和labels是一种人为的，都具有形状(10,)。但重要的是weighted_loss和sigmoid_loss是不同的。下面是输出：

(10,) 
()

这是因为tf.losses.sigmoid_cross_entropy进行缩小（默认的总和）。所以为了复制它，你必须用tf.reduce_sum(...)来包装加权损失。

如果这没有帮助，请确保labels张量的类型为float32。此错误是很容易做，例如，下面的声明将无法工作：

labels = tf.fill([10,], 1) # the type is not float!

您可能也有兴趣阅读this question。

以上是 Tensorflow加权与S形交叉熵损失 的全部内容， 来源链接： utcz.com/qa/263341.html

回到顶部