Tensorflow 和 Scikitlearn log_loss 函数实现的区别
Posted
技术标签:
【中文标题】Tensorflow 和 Scikitlearn log_loss 函数实现的区别【英文标题】:Difference between Tensorflow and Scikitlearn log_loss function implementation 【发布时间】:2017-07-28 06:16:14 【问题描述】:嗨,我正在尝试进入 tensorflow,感觉有点笨。 TF中的log_loss和sklearn的不同吗?
以下是我的代码中的一些行,我是如何计算的:
from sklearn.metrics import log_loss
tmp = np.array(y_test)
y_test_t = np.array([tmp, -(tmp-1)]).T[0]
tf_log_loss = tf.losses.log_loss(predictions=tf.nn.softmax(logits), labels=tf_y)
with tf.Session() as sess:
# training
a = sess.run(tf.nn.softmax(logits), feed_dict=tf_x: xtest, keep_prob: 1.)
print(" sk.log_loss: ", log_loss(y_test, a,eps=1e-7 ))
print(" tf.log_loss: ", sess.run(tf_log_loss, feed_dict=tf_x: xtest, tf_y: y_test_t, keep_prob: 1.))
我得到的输出
Epoch 7, Loss: 0.4875 Validation Accuracy: 0.818981
sk.log_loss: 1.76533018874
tf.log_loss: 0.396557
Epoch 8, Loss: 0.4850 Validation Accuracy: 0.820738
sk.log_loss: 1.77217639627
tf.log_loss: 0.393351
Epoch 9, Loss: 0.4835 Validation Accuracy: 0.823374
sk.log_loss: 1.78479079656
tf.log_loss: 0.390572
似乎tf.log_loss
收敛,sk.log_loss
发散。
【问题讨论】:
关于此功能的问题。它可以与自动编码器一起使用吗?即预测和标签都是相同大小的图像? 【参考方案1】:我遇到了同样的问题。查了tf.losses.log_loss的源码,它的key linesshow wat正在进行:
losses = - math_ops.multiply(labels, math_ops.log(predictions + epsilon))
- math_ops.multiply((1 - labels), math_ops.log(1 - predictions + epsilon))
它是binary log-loss(即每个类都被认为是非排他性的)而不是multi-class log-loss。
当我使用概率(而不是 logits)时,我不能使用 tf.nn.softmax_cross_entropy_with_logits(虽然,我可以应用对数)。 我的解决方案是手动实现日志丢失:
loss = tf.reduce_sum(tf.multiply(- labels, tf.log(probs))) / len(probs)
另见:
https://github.com/tensorflow/tensorflow/issues/2462 difference between tensorflow tf.nn.softmax and tf.nn.softmax_cross_entropy_with_logits【讨论】:
以上是关于Tensorflow 和 Scikitlearn log_loss 函数实现的区别的主要内容,如果未能解决你的问题,请参考以下文章
sklearn.preprocessing 中 LabelEncoder 的类似方法?
在训练中使用 scikit learn 进行神经网络与 Tensorflow