超级会员免费看
本文详细介绍了tf.keras.losses.SparseCategoricalCrossentropy的作用和示例。该损失函数用于计算估计值与标签的交叉熵，常用于多分类问题。最大似然估计通过最小化交叉熵来优化模型。文章还讨论了从logits还是概率分布计算损失的选项，以及损失的减少方法和权重分配。
目录
tf.keras.losses.SparseCategoricalCrossentropy的作用
tf.keras.losses.SparseCategoricalCrossentropy的示例
tf.keras.losses.SparseCategoricalCrossentropy的作用
计算估计值和标签的交叉熵损失函数值。
交叉熵，描述两个分布之间的差异，比如估计的概率分布和观测到的概率分布之间的差异。最小化交叉熵等价于最大似然估计。
最大似然估计（极大似然估计），观测到某种事件发生的概率，估计系统参数为什么值的时候，最可能出现这种观测结果。
概率值，已知系统参数的前提下，某种事件发生的概率。
似然估计，观测到某种事件发生的概率，估计系统的参数。
假设有一个分类器，将输入分成A，B，C三类。分为A的概率
为0.3，分为B的概率
为0.5，分为C的概率
为0.2。现在有10个观测数据x，4个A，3个B, 3个C。出现这组观测结果的概率是什
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
