神经网络 - Softmax 交叉熵损失减少对应于准确性降低答案

【问题标题】：Neural Networks - Softmax Cross Entropy Loss Decrease Corresponds to Accuracy Decrease神经网络 - Softmax 交叉熵损失减少对应于准确性降低
【发布时间】：2017-12-24 02:36:04
【问题描述】：

我一直在训练神经网络并使用 Tensorflow。我的成本函数是：

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=y))

训练我的神经网络已导致交叉熵损失从约 170k 减少到约 50，这是一个显着的改进。同时，我的准确率实际上稍微变差了：从 3% 到 2.9%。这些测试是在训练集上进行的，所以不存在过度拟合的问题。

我简单地计算精度如下：

correct = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct, 'float'))
print('Accuracy:', accuracy.eval({x: batch_x, y: batch_y}))

这可能是什么原因？我是否应该将准确率用作成本函数，因为我的情况的交叉熵（softmax）显然有问题。

我知道在 StackOverflow 上有一个similar question，但这个问题从未得到完全回答。

【问题讨论】：

您完成了多少次完整运行？你只运行了两次？如果是这样，它可能只是一个糟糕的运行。你有多少输入特征，你的网络有多大？您是否应用 sigmoid 和/或其他激活函数作为网络中的最后一个操作？如果你删除它，因为 tensorflow 会自动应用 softmax。尝试确认其中一些并给我们更新！
我也有同样的问题，你解决了吗？我的损失从高到非常低，但对于 10 类分类，准确率保持在 10% 左右。
好的，就我而言，问题与权重初始化有关。当我开始使用 tf.contrib.layers.fully_connected 和 xavier 权重初始化时，问题确实消失了。

标签： machine-learning tensorflow neural-network softmax

【解决方案1】：

如果没有看到您的机器学习问题，我无法说出问题的确切原因。请至少提供问题的类型（二进制、多类和/或多标签）

但是，如此低的准确率以及准确率和损失之间的巨大差异，我认为这是一个错误，而不是机器学习问题。

一个可能的错误可能与加载标签数据y 有关。对于大多数机器学习问题（图像分类除外）来说，3% 的准确率太低了。如果您随机猜测 33 个标签，您将获得 3% 的准确率。你的问题真的是33多类分类问题吗？如果不是，您可能在创建数据batch_y 时做错了（尺寸错误，形状与prediction 不匹配，...）。

【讨论】：

其实是的，我的问题是49多类分类问题。我检查了y标签数据，似乎还不错。
好的，但我仍然认为这是一个错误。在 44 个多类分类中猜错所有标签给了我 164.37 的损失。你的“~170k loss”有问题