使用浮点标签在 CNN 中进行二元分类时使用什么损失函数？

Question

因此，我正在构建一个 CNN，它使用从 0 到 1 的标签获取图像。

我的意思是，我正在尝试对图像中的一个事物进行检测，并且每个图像都有一个 0 之间的标签1 代表该类型事件出现在该图像中的概率。

我想输出这个概率，所以我在输出层使用 sigmoid 激活函数，但我在决定什么损失函数在这种情况下有意义时遇到了困难。如果我的标签是 0 和 1，我会使用二进制交叉熵，但是当我的标签是从 0 到 1 的浮点数时，这仍然有意义吗？

干杯。

Answer 1

此解决方案适用于 logits （最后一个线性层的输出），而不是输出概率

def loss(logits, soft_labels):
    anti_soft_labels = 1 - soft_labels
    return soft_labels * tf.nn.softplus(-logits) 
+ anti_soft_labels * tf.nn.softplus(logits) + tf.math.xlogy(soft_labels, soft_labels) + tf.math.xlogy(anti_soft_labels, anti_soft_labels)

loss(logits=tf.constant([10., 0, -10]), soft_labels=tf.constant([1., 0.5, 0.]))
# [4.53989e-05, 0.00000e+00, 4.53989e-05]

如果您需要将 0 作为任何软标签使用的最小损失值

def loss(logits, soft_labels):
    anti_soft_labels = 1 - soft_labels
    return soft_labels * tf.nn.softplus(-logits) \
        + anti_soft_labels * tf.nn.softplus(logits) \
        + tf.math.xlogy(soft_labels, soft_labels) \
        + tf.math.xlogy(anti_soft_labels, anti_soft_labels)

loss(logits=tf.constant([10., 0, -10]), soft_labels=tf.constant([1., 0.5, 0.]))
# [4.53989e-05, 0.00000e+00, 4.53989e-05]```