交叉熵误差计算

Question

我不完全理解交叉熵误差是如何计算的。由于没有定义（或想象）某个负数的对数，并且神经网络的输出可能是某个负数（权重和偏差是随机初始化的），因此我经常得到NaN。我该如何避免这种情况？

示例：

output[] = {-0.78, -0.98, 0.78, -0.68};
target[] = {-1.0,  -1.0,  1.0,   1.0};
error = ln(0.78) * 1.0 + ln(-0.68) * 1.0;

Answer 1

如果您的任务是二进制分类，我建议您将目标值"-1"更改为"0"。在最后一层，即输出层，有两个神经元（每个类一个）。对于神经网络的输出，你应该使用softmax函数，它为每个类分配概率（意味着，你没有负值）。最后，每个实例的输出都是类的标签，对应于这两个概率中较大的一个。

Answer 2

在交叉熵的辩护中，显示了两个概率分布之间的量化差异。在机器学习的情况下，它计算你的"目标"（真实值）和你的模型"输出"预测的值之间的差异。概率可能仅在[0；1]范围内变化，在任何情况下都不可能为负。负数在概率方面没有任何意义。