我想使用tf.keras.losses.BinaryCrossentropy 计算交叉熵损失。该文档有以下示例，并指定真实标签和预测标签的形状应为[batch_size]：
y_true = [[0., 1.], [0., 0.]]
y_pred = [[0.6, 0.4], [0.4, 0.6]]
bce = tf.keras.losses.BinaryCrossentropy()
bce(y_true, y_pred).numpy()
从例子中推断，每个样本的label应该被格式化为[属于Class 0的概率，属于Class 1的概率]。这是正确的吗？如果是，为什么y_true[1] 的概率加起来不等于 1？
【问题讨论】：
标签： python tensorflow loss-function cross-entropy
不要将每一行视为一个示例，而是将每个 元素 视为一个示例。换句话说，第一个示例的标签为 0，模型预测为 0.6，第二个示例的标签为 1，模型预测为 0.4，依此类推。
至少 TensorFlow 是这样计算上述张量的交叉熵的。因此，每一行的总和不需要为 1。
您可以使用tf.keras.losses.BinaryCrossentropy() 使用的函数K.binary_crossentropy() 来检查它的有效性。
K.binary_crossentropy(y_true, y_pred)
哪个会返回，
[[0.9162906 0.9162905]
[0.5108254 0.9162906]]
tf.keras.losses.BinaryCrossentropy() 函数在上述输出的最后一个轴上进行缩减，如文档 here 中所述，
加权损失浮点张量。如果减少为 NONE，则其形状为 [batch_size, d0, .. dN-1]；否则，它是标量。 （注意dN-1，因为所有损失函数都减少了1维，通常axis=-1。）
这就是为什么你，如果你执行，
bce = tf.keras.losses.BinaryCrossentropy(reduction=tf.keras.losses.Reduction.NONE)
您只会看到两个条目，
[0.9162905 0.71355796]
希望这可以清除它。
【讨论】：