Simone交叉熵损失函数如何计算
的有关信息介绍如下：
在机器学习中，损失函数用于测量预测类别与真实类别之间的差距，交叉熵损失函数是一种常用的损失函数，本经验介绍了交叉熵损失函数如何计算
当预测类别为二分类时，交叉熵损失函数的计算公式如下图，其中y是真实类别（值为0或1），p是预测类别的概率（值为0~1之间的小数）
计算二分类的交叉熵损失函数的python代码如下图，其中esp是一个极小值，第五行代码clip的目的是保证预测概率的值在0~1之间，下图输出的损失值数组求和后，就是损失函数最后的返回值
当预测类别为多分类时，交叉熵损失函数的计算公式如下图，其中M是类别个数，y是真实类别（值为0或1），直观上理解就是将所有预测正确的概率，分别取对数，相加求和，再添一个负号
计算多分类的交叉熵损失函数的python代码如下图，其中LabelBinarizer的目的是将真实类别做one-hot编码，然后与预测类别概率的对数相乘，对每个类别求和后添加负号，下图输出的损失函数数组的值求和后，就是损失函数最后的返回值
真实类别做one-hot编码后的值，预测类别概率的对数的值，相乘之后的损失函数数组的值如下图，方便理解每一步操作让数值具体发生了哪些变化
