分类交叉熵在keras中是如何实现的？

Question

我试图应用蒸馏的概念，基本上是为了训练一个新的更小的网络，使之与原来的网络一样，但计算量更少。

我有每个样本的softmax输出，而不是logits。

我的问题是，范畴交叉熵损失函数是如何实现的？ 就像它取原始标签的最大值，并将其与同一索引中对应的预测值相乘，或者它对所有的logits（一个热编码）进行求和，如公式所示：

Answer 1

作为对“你知道epsilon和tf.clip_by_value在做什么吗？”，
它确保output != 0，因为tf.log(0)返回零除错误。
（我没有什么要评论的，但我想我会有所贡献）

Answer 2

我看到您使用了tensorflow标记，所以我猜这是您使用的后端？

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.

这段代码来自keras source code。直接看代码应该能回答你所有的问题：）如果你需要更多的信息就直接问！

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)

如果你看回报，他们会总结。。。：）