Python tf.keras.metrics.SparseCategoricalCrossentropy用法及代码示例

计算标签和预测之间的交叉熵度量。

继承自：MeanMetricWrapper、Mean、Metric、Layer、Module

用法

tf.keras.metrics.SparseCategoricalCrossentropy(
    name='sparse_categorical_crossentropy', dtype=None, from_logits=False,
    axis=-1
)

当有两个或更多标签类时，使用此交叉熵度量。我们希望标签以整数形式提供。如果您想使用one-hot 表示提供标签，请使用CategoricalCrossentropy 度量。对于 y_pred ，每个特征应该有 # classes 浮点值，对于 y_true ，每个特征应该有一个浮点值。

在下面的代码段中，每个示例都有一个浮点值 y_true 和 # classes 每个示例的浮点值 y_pred 。 y_true 的形状是 [batch_size] ， y_pred 的形状是 [batch_size, num_classes] 。

单机使用：

# y_true = one_hot(y_true) = [[0, 1, 0], [0, 0, 1]]
# logits = log(y_pred)
# softmax = exp(logits) / sum(exp(logits), axis=-1)
# softmax = [[0.05, 0.95, EPSILON], [0.1, 0.8, 0.1]]
# xent = -sum(y * log(softmax), 1)
# log(softmax) = [[-2.9957, -0.0513, -16.1181],
#                [-2.3026, -0.2231, -2.3026]]
# y_true * log(softmax) = [[0, -0.0513, 0], [0, 0, -2.3026]]
# xent = [0.0513, 2.3026]
# Reduced xent = (0.0513 + 2.3026) / 2
m = tf.keras.metrics.SparseCategoricalCrossentropy()
m.update_state([1, 2],
               [[0.05, 0.95, 0], [0.1, 0.8, 0.1]])
m.result().numpy()
1.1769392

m.reset_state()
m.update_state([1, 2],
               [[0.05, 0.95, 0], [0.1, 0.8, 0.1]],
               sample_weight=tf.constant([0.3, 0.7]))
m.result().numpy()
1.6271976

compile() API 的用法：

model.compile(
  optimizer='sgd',
  loss='mse',
  metrics=[tf.keras.metrics.SparseCategoricalCrossentropy()])