知识卡片
交叉熵衡量分类预测
分类中的交叉熵比较目标分布与模型输出分布;独热标签下,它等于正确类别预测概率的负对数。正确类别概率越小,损失越大。书中对比 softmax 后的均方误差,指出极端错误预测处后者可能梯度很小,选择损失函数会影响优化难度。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 深度学习基础 3.6.3 分类损失 · 查看原书依据
式(3.30) 所示的交叉熵更常用,当和相同时,可以最小化交叉熵的值,此时均方误差也最小. 最小化交叉熵其实就是最大化似然(maximize likelihood).
参考来源
- 位置:《深度学习详解》第3章《深度学习基础》3.6.3 分类损失(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter03.xhtml`)
- 结论依据:原文比较类别编码、softmax 与分类损失;对应公式和示例图已核验。
- 原始内容:式(3.30) 所示的交叉熵更常用,当和相同时,可以最小化交叉熵的值,此时均方误差也最小. 最小化交叉熵其实就是最大化似然(maximize likelihood).