多分类交叉熵与稀疏分类交叉熵
总结：
- 标签为 One-hot 编码的多分类问题，用分类交叉熵
- 对于标签为整数的多分类问题，用稀疏分类交叉熵
稀疏分类交叉熵内部会将整数标签转换为 One-hot 编码，而如果标签已经是 One-hot 编码的形式，再使用稀疏分类交叉熵就会多此一举。
算例
假设我们有三个类别：A、B 和 C。对于某个样本，其真实标签为 B。
使用 One-hot 编码，标签表示为：
- A: [1, 0, 0]
- B: [0, 1, 0]
- C: [0, 0, 1]
设模型输出的预测概率为：
- A: 0.1
- B: 0.7
- C: 0.2
则预测概率的向量为 [0.1, 0.7, 0.2]
--分类交叉熵
其中p是真实分布（One-hot 编码），q是预测分布，
H=−[0,1,0]⋅l
原文地址：https://blog.csdn.net/qq_41413211/article/details/144426047
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！