Tensorflow 和 Scikitlearn log_loss 函数实现的区别

Question

嗨，我正在尝试进入 tensorflow，但感觉有点傻。TF 中的 log_loss 与 sklearn 的不同吗？

这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 whiletf.log_loss收敛sk.log_loss发散。

Answer 1

我有同样的问题。查找tf.losses.log_loss的源代码后，其关键行显示发生了什么：

losses = - math_ops.multiply(labels, math_ops.log(predictions + epsilon))
    - math_ops.multiply((1 - labels), math_ops.log(1 - predictions + epsilon))

它是二元对数损失（即每个类都被认为是非排他性的）而不是多类对数损失。

当我使用概率（而不是对数）时，我无法使用tf.nn.softmax_cross_entropy_with_logits（不过，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)

也可以看看：

• https://github.com/tensorflow/tensorflow/issues/2462
• 张量流 tf.nn.softmax 和 tf.nn.softmax_cross_entropy_with_logits 之间的区别