我有一个二元分类问题。
我正在使用 tensorflow.losses.log_loss 中的 log_loss。
为了检查，我使用 sklearn.metrics.log_loss。大多数时候，这两个函数给出相同的结果(只有 dtype 不同)。在某些情况下，sklearn 函数返回 NaN 而 tf.losses.log_loss 返回正确的值。
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
好像发生了一些log(0)，但是为什么tensorflow没有这个问题呢？
最佳答案
将两个数组的 dtype 更改为 64 位 float 可以修复它
dtype=np.float64
例如添加 y_pred = y_pred.astype(np.float64)
关于python-3.x - sklearn 的 log_loss 给出了 nan，而 tensorflow.losses.log_loss 有效，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/50157689/