Tensorflow 和 Scikitlearn log_loss 函数实现的区别答案

【问题标题】：Difference between Tensorflow and Scikitlearn log_loss function implementationTensorflow 和 Scikitlearn log_loss 函数实现的区别
【发布时间】：2017-07-28 06:16:14
【问题描述】：

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

以下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tf.log_loss 收敛，sk.log_loss 发散。

【问题讨论】：

关于此功能的问题。它可以与自动编码器一起使用吗？即预测和标签都是相同大小的图像？

标签： machine-learning tensorflow scikit-learn loss

【解决方案1】：

我遇到了同样的问题。查了tf.losses.log_loss的源码，它的key linesshow wat正在进行：

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

它是binary log-loss（即每个类都被认为是非排他性的）而不是multi-class log-loss。

当我使用概率（而不是 logits）时，我不能使用 tf.nn.softmax_cross_entropy_with_logits（虽然，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)

另见：

【讨论】：