python - 如果我的数据是多标签并且我的目标向量不是单热编码的，我应该使用哪个损失函数？

Question

我刚刚通读了这个链接，它解释了二元交叉熵和分类交叉熵之间的区别，特别是，我对这张图片有疑问：

作者解决了多标签案例，其中您的目标（或基本事实）标签是 one-hot 编码的，但是如果您的目标标签不是 one-hot 编码的，您将使用什么损失函数？例如，如果图像中只有熊猫的一半，然后我将图像标记为 [1, 0, 0.5]，在这种情况下我是否仍使用二进制交叉熵？对于目标向量不是二进制的情况，数学如何计算？

标签： pythonkerasloss-functionmultilabel-classificationcross-entropy

Answer 1

您所指的文章的作者提到，只要您有两个概率向量，交叉熵就适用于所有情况。一个用于目标，一个用于预测。

如果图像中只有一半的熊猫，然后我将图像标记为 [1, 0, 0.5]，在这种情况下我还会使用二进制交叉熵吗？

答：不，您将在这里使用多标签交叉熵，因为在同一图像中存在多个标签。该目标概率向量可以转换为单热编码向量。它看起来像 [1,0,1]。0.5 转换为 1，因为图像中存在具有该标签的对象。对于计算，您可以参考他解释多标签分类的文章，他说：

我们的目标可以一次代表多个（甚至零个）类。我们分别计算每个类的二元交叉熵，然后将它们相加得到完整的损失。