TensorFlow基础篇(三)——tf.nn.softmax_cross_entropy_with_logits
tf.nn.softmax_cross_entropy_with_logits()函数是TensorFlow中计算交叉熵常用的函数。
后续版本中,TensorFlow更新为:tf.nn.softmax_cross_entropy_with_logits_v2
格式为:
cross_entropy = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y )
参数说明:
labels:为分类标签
logits:为预测值
TensorFlow代码实现 tf.nn.softmax_cross_entropy_with_logits()函数:
import tensorflow as tflabels = [[0.1, 0.2, 0.6],[0.4, 0.9, 0.7]]
logits = [[1, 2, 4],[0.1, -1, 3]]# 计算交叉熵(tf.nn.softmax_cross_entropy_with_logits更新为格
# tf.nn.softmax_cross_entropy_with_logits_v2)
cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(labels=labels, logits=logits)with tf.Session() as sess:print(sess.run(cross_entropy))
运行结果:
[0.85286146 4.9015484 ]
TensorFlow基础篇(三)——tf.nn.softmax_cross_entropy_with_logits相关推荐
- TensorFlow基础篇(六)——tf.nn.max_pool()和tf.nn.avg_pool()
tf.nn.max_pool()和tf.nn.avg_pool()是TensorFlow中实现最大池化和平均池化的函数,在卷积神经网络中比较核心的方法. 有些和卷积很相似,可以参考TensorFlow ...
- 【TensorFlow】tf.nn.softmax_cross_entropy_with_logits中的“logits”到底是个什么意思?
tf.nn.softmax_cross_entropy_with_logits中的"logits"到底是个什么意思?_玉来愈宏的随笔-CSDN博客 https://blog.csd ...
- 【TensorFlow】tf.nn.softmax_cross_entropy_with_logits 函数:求交叉熵损失
[TensorFlow]tf.nn.softmax_cross_entropy_with_logits的用法_xf__mao的博客-CSDN博客 https://blog.csdn.net/mao_x ...
- 【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法
[TensorFlow]tf.nn.softmax_cross_entropy_with_logits的用法 from:https://blog.csdn.net/mao_xiao_feng/arti ...
- 【TensorFlow】TensorFlow函数精讲之tf.nn.softmax_cross_entropy_with_logits
tf.nn.softmax_cross_entropy_with_logits()函数是TensorFlow中计算交叉熵常用的函数. 后续版本中,TensorFlow更新为:tf.nn.softmax ...
- tf.nn.softmax_cross_entropy_with_logits 和 tf.contrib.legacy_seq2seq.sequence_loss_by_example 的联系与区别
文章目录 0.函数介绍 1.区别联系 1.1 tf.nn.softmax_cross_entropy_with_logits 1.2 tf.nn.sparse_softmax_cross_entrop ...
- Tensorflow[基础篇]——LSTM的理解与实现
前言 本文参考了tensorflow github里面的实现的lstm的教程代码6_lstm.ipynb.因为这代码即实现了lstm,也实操了tf的内容,可以说是一箭双雕. 源码地址:https:// ...
- TensorFlow(七)tf.nn库
##tf.nn,tf.layers, tf.contrib模块有很多功能是重复的 下面是对三个模块的简述: tf.nn :提供神经网络相关操作的支持,包括卷积操作(conv).池化操作(pooling ...
- python基础技巧(三)——tf
one-hot on_value=1,表示对应的编码,填充值为1 off_value=0,表示非对应的编码,填充值为0 depth=5,表明 维度为5 sess.run(tf.one_hot(indi ...
最新文章
- Activity的三层设计
- JSON——Java中的使用
- erp沙盘采购总监的心得_erp沙盘模拟采购总监心得
- Web安全——正方教务系统自主选课非正常退课解决方案(危险操作,仅用于学习)
- Qt生成的exe中为什么会带有不该有的盾牌?
- JS 中的foreach和For in比较
- 序列中最大的数(51Nod-1062)
- Microsoft.Ink namespace
- beautifulsoup解析动态页面div未展开_实战|Python轻松实现动态网页爬虫(附详细源码)...
- Java中的SoftReference和WeakReference有什么区别?
- 2008中国最佳寓言
- Exam 70-462 Administering Microsoft SQL Server 2012 Databases 复习帖
- 没有U盘怎么重装系统 无U盘重装系统教程
- 解决虚拟机桥接模式无法上网的问题
- indiegogo众筹代理经验分享
- 中国版自动驾驶分级出炉!没有自动驾驶明星公司参与制定
- 线上云酒馆是什么?线上云酒馆怎么开发?
- 将id=5以及emp_no=10001的行数据替换成id=5以及emp_no=10005
- [Job服务] - 自定义计划任务服务
- Ubuntu下Qt软件打包流程
热门文章
- 001jsp的基本知识-包括生命周期,怎么编译等等
- C#笔记16 多线程和同步
- 抛物型方程向前差分matlab,(整理)微分方程数值解(学生复习题).
- UVA 1611 Crane
- swift和java_Swift和Java关于字符串和字符的比较
- sybase 设置默认值_[转]SYBASE 数据库操作笔记
- C++前置声明的一个好处与用法
- 【前端 · 面试 】JavaScript 之你不一定会的基础题(二)
- 为热门项目 若依(ruoyi) 添加请求日志输出
- mysql-------流程控制结构