我有多个类需要同时预测,所以我将问题视为我作为真实输出的二进制标签/类的非线性回归。
也就是说,损失函数是每个标签的对数损失之和,然后对批处理中的每个示例进行平均。这是我的损失函数:
prediction = tf.sigmoid(hidden_out) # Prediction output, from 0.0 to 1.0
# Avoid infinite gradients for extreme cases
# by remapping the prediction from 0.005 to 0.995:
pred = prediction*0.99+0.005
# Log loss: mean is on batch_size, sum is on labels:
loss = tf.reduce_mean(
tf.reduce_sum(
- labels*tf.log(pred) - (1.0-labels)*tf.log(1.0-pred),
reduction_indices=1
)
)
我怀疑这里面有问题。我正在尝试训练具有残差初始层的深度卷积神经网络。我以较低的学习率很快就得到了一些 NaN
损失值。
我的日志丢失正确吗?有什么建议吗?
最佳答案
您可以使用已为多类逻辑回归实现的损失来代替您的损失:sigmoid_cross_entropy_with_logits 。它经过精心设计,以避免数值问题。
此外,裁剪梯度可能比裁剪预测更好。请参阅here ,例如。
关于machine-learning - 对于多类回归来说,这是一个好的对数损失吗?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40777201/