在損失或指標中指定時分類交叉熵的差異

Question

tf.keras.losses.CategoricalCrossentropy和tf.keras.metrics.CategoricalCrossentropy什么區別？

model.compile(optimizer=Adam(learning_rate=lr), loss= 'categorical_crossentropy', 
metrics=['accuracy','categorical_crossentropy'])

問題：

15/15 [==============================] - 5s 352ms/step - loss: 0.4043 - accuracy: 0.8634 - categorical_crossentropy: 0.4043 - val_loss: 4.7890 - val_accuracy: 0.7509 - val_categorical_crossentropy: 0.9807

在我發現的每個時期結束時，損失和 categorical_crossentropy 具有與訓練數據相對應的相同值。

但是，我發現驗證數據的值存在差異，即 val_loss：4.7890 與 val_categorical_crossentropy：0.9807。

注意：我的 model 是

有誰知道我在這里打折嗎？

Answer 1

主要區別實際上是一個是損失，一個是度量。 損失用於優化，指標用於評估 model 的性能方面。

不同之處在於，如果您使用一種正則化，例如批量標准化，它會影響您的損失，但不會影響指標。

看看這個帖子，也許可以讓你更清楚：

• 損失 function 和 Keras 中的公制有什么區別？
• Keras - 損失和度量的計算方式不同？