来自 sklearn 的 log_loss 给出了 nan，而 tensorflow.losses.log_loss 有效

Question

我有一个二元分类问题。我正在使用来自tensorflow.losses.log_loss.

为了检查，我使用sklearn.metrics.log_loss. 大多数情况下，这两个函数给出相同的结果（仅 dtype 不同）。在某些情况下，sklearn函数NaN在tf.losses.log_loss返回正确值的同时返回。

数据在这里：https : //pastebin.com/BvDgDnVT

代码：

import sklearn.metrics
import tensorflow as tf
y_true = [... see pastebin link]
y_pred = [... see pastebin link]
loss_sk = sklearn.metrics.log_loss(y_true, y_pred, labels=[0, 1]) # -> returns NaN
with tf.Session() as sess:
    loss_tf = tf.losses.log_loss(y_true, y_pred).eval(session=sess) # -> returns 0.0549

好像有些log(0)事情发生了，但是为什么tensorflow没有这个问题呢？

Answer 1

将两个数组的 dtype 更改为 64 位浮点数可修复它

dtype=np.float64

例如添加 y_pred = y_pred.astype(np.float64)