如何在keras中实现categorical_crossentropy？

Question

我正在尝试应用蒸馏的概念，基本上是为了训练一个新的小型网络与原始网络一样，但计算量较少。

我有每个样本的softmax输出而不是logits。

我的问题是，如何实现分类交叉熵损失函数？就像它采用原始标签的最大值并将其与相同索引中的相应预测值相乘，或者它在整个logits（One Hot encoding）中的总和如公式所示：

Answer 1

我看到你使用了tensorflow标签，所以我猜这是你正在使用的后端？

def categorical_crossentropy(output, target, from_logits=False):
"""Categorical crossentropy between an output tensor and a target tensor.
# Arguments
    output: A tensor resulting from a softmax
        (unless `from_logits` is True, in which
        case `output` is expected to be the logits).
    target: A tensor of the same shape as `output`.
    from_logits: Boolean, whether `output` is the
        result of a softmax, or is a tensor of logits.
# Returns
    Output tensor.

此代码来自keras source code。直接查看代码应该回答所有问题:)如果您需要更多信息，请询问！

编辑：

以下是您感兴趣的代码：

 # Note: tf.nn.softmax_cross_entropy_with_logits
# expects logits, Keras expects probabilities.
if not from_logits:
    # scale preds so that the class probas of each sample sum to 1
    output /= tf.reduce_sum(output,
                            reduction_indices=len(output.get_shape()) - 1,
                            keep_dims=True)
    # manual computation of crossentropy
    epsilon = _to_tensor(_EPSILON, output.dtype.base_dtype)
    output = tf.clip_by_value(output, epsilon, 1. - epsilon)
    return - tf.reduce_sum(target * tf.log(output),
                          reduction_indices=len(output.get_shape()) - 1)

如果你看一下回报，他们总结一下...... :)

Answer 2

作为答案“你碰巧知道epsilon和tf.clip_by_value在做什么吗？”， 它确保output != 0，因为tf.log(0)返回除零误差。 （我没有评论意见，但我认为我会做出贡献）