对于多类分类问题，Keras 和 tf.keras 具有 SparseTopKCategoricalAccuracy 和 TopKCategoricalAccuracy 等指标。但是，如果使用 SparseCategoricalCrossentropy 或 CategoricalCrossentropy 等损失函数，则它们无法实现这两个指标的最大值。
当想要最大化 SparseTopKCategoricalAccuracy 或 TopKCategoricalAccuracy 时，使用什么损失函数比较好？
我知道 SparseTopKCategoricalAccuracy 不可微分，就像准确性一样。我试图找到一个可以近似平滑损失函数并为 SparseTopKCategoricalAccuracy 产生更高数字的函数。
最佳答案
CrossEntropy 在处理 Top-k 精度时不是最好的损失函数，因为交叉熵可能容易在小数据集或嘈杂标签上过度拟合。。 p>
正如您已经指出的，“平滑损失”函数是为使用 SVM 进行前 k 分类而开发的。据我所知，Keras/TF 中没有最适合 top-k 的“现成”损失函数。但是，我建议您尝试在 article 中介绍的 Smooth Surrogate Loss (SSL)并在 Pytorch 中实现以与深度神经网络一起使用(参见 Github)。它源自多类 SVM，因为 SSL 在正确的 top-k 预测和不正确的预测之间创建了一个边界。由于分而治之的方法和多项式的使用，SSL 的训练时间与交叉熵的训练时间相当(参见 implementation)。
关于tensorflow - 当度量为 SparseTopKCategoricalAccuracy/TopKCategoricalAccuracy 时，在 Keras 中使用什么损失函数？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/63972516/