实现二元交叉熵损失给出了与 Tensorflow 不同的答案

Posted 2023-03-28

【中文标题】实现二元交叉熵损失给出了与 Tensorflow 不同的答案

【英文标题】：Implementing Binary Cross Entropy loss gives different answer than Tensorflow's

【发布时间】：2021-08-09 09:26:08

【问题描述】：

我正在使用 Raw python 实现 Binary Cross-Entropy 损失函数，但它给了我与 Tensorflow 截然不同的答案。 这是我从 Tensorflow 得到的答案：-

import numpy as np
from tensorflow.keras.losses import BinaryCrossentropy

y_true = np.array([1., 1., 1.])
y_pred = np.array([1., 1., 0.])
bce = BinaryCrossentropy()
loss = bce(y_true, y_pred)
print(loss.numpy())

输出：

>>> 5.1416497230529785

据我所知，二元交叉熵的公式是这样的：

我用原始 python 实现了相同的功能，如下所示：

def BinaryCrossEntropy(y_true, y_pred):
    m = y_true.shape[1]
    y_pred = np.clip(y_pred, 1e-7, 1 - 1e-7)
    # Calculating loss
    loss = -1/m * (np.dot(y_true.T, np.log(y_pred)) + np.dot((1 - y_true).T, np.log(1 - y_pred)))

    return loss

print(BinaryCrossEntropy(np.array([1, 1, 1]).reshape(-1, 1), np.array([1, 1, 0]).reshape(-1, 1)))

但是从这个函数中我得到的损失值是：

>>> [[16.11809585]]

我怎样才能得到正确的答案？

【参考方案1】：

在tf.keras.losses.BinaryCrossentropy()的构造函数中，你会注意到，

tf.keras.losses.BinaryCrossentropy(
    from_logits=False, label_smoothing=0, reduction=losses_utils.ReductionV2.AUTO,
    name='binary_crossentropy'
)

默认参数reduction 很可能具有Reduction.SUM_OVER_BATCH_SIZE 的值，如here 所述。假设我们的模型输出的形状是[ 1 , 3 ]。意思是，我们的批量大小为 1，输出 dims 为 3（这并不意味着有 3 个类）。我们需要计算第 0 个轴上的平均值，即批量维度。

我会用代码说清楚，

import tensorflow as tf
import numpy as np

y_true = np.array( [1., 1., 1.] ).reshape( 1 , 3 )
y_pred = np.array( [1., 1., 0.] ).reshape( 1 , 3 )

bce = tf.keras.losses.BinaryCrossentropy( from_logits=False , reduction=tf.keras.losses.Reduction.SUM_OVER_BATCH_SIZE )
loss = bce( y_true, y_pred )

print(loss.numpy())

输出是，

5.1416497230529785

二元交叉熵的表达式与问题中提到的相同。 N 指的是批量大小。

我们现在自行实施 BCE。首先，我们裁剪模型的输出，将max 设置为tf.keras.backend.epsilon()，将min 设置为1 - tf.keras.backend.epsilon()。 tf.keras.backend.epsilon() 的值为 1e-7。

y_pred = np.clip( y_pred , tf.keras.backend.epsilon() , 1 - tf.keras.backend.epsilon() )

使用 BCE 的表达式，

p1 = y_true * np.log( y_pred + tf.keras.backend.epsilon() )
p2 = ( 1 - y_true ) * np.log( 1 - y_pred + tf.keras.backend.epsilon() )

print( p1 )
print( p2 )

输出，

[[  0.           0.         -15.42494847]]
[[-0. -0.  0.]]

请注意，形状仍然保留。 np.dot 会将它们变成一个包含两个元素的数组，即形状为 [ 1 , 2 ] （与您的实现一样）。

最后，我们将它们相加并使用np.mean() 在批处理维度上计算它们的平均值，

o  = -np.mean( p1 + p2 )
print( o )

输出是，

5.141649490132791

您可以通过打印每个条款的shape 来检查实施中的问题。

【参考方案2】：

您的实施存在一些问题。正确的是numpy。

def BinaryCrossEntropy(y_true, y_pred):
    y_pred = np.clip(y_pred, 1e-7, 1 - 1e-7)
    term_0 = (1-y_true) * np.log(1-y_pred + 1e-7)
    term_1 = y_true * np.log(y_pred + 1e-7)
    return -np.mean(term_0+term_1, axis=0)

print(BinaryCrossEntropy(np.array([1, 1, 1]).reshape(-1, 1), 
                         np.array([1, 1, 0]).reshape(-1, 1)))
[5.14164949]

注意，在tf. keras 模型训练期间，最好使用keras 后端功能。您可以使用keras 后端实用程序以同样的方式实现它。

def BinaryCrossEntropy(y_true, y_pred): 
    y_pred = K.clip(y_pred, K.epsilon(), 1 - K.epsilon())
    term_0 = (1 - y_true) * K.log(1 - y_pred + K.epsilon())  
    term_1 = y_true * K.log(y_pred + K.epsilon())
    return -K.mean(term_0 + term_1, axis=0)

print(BinaryCrossEntropy(
    np.array([1., 1., 1.]).reshape(-1, 1), 
    np.array([1., 1., 0.]).reshape(-1, 1)
    ).numpy())
[5.14164949]