如何在 TensorFlow 中实现 Kullback-Leibler 损失?

问题描述

我需要最小化 tensorflow 中的 KL 损失.

I need to minimize KL loss in tensorflow.

我试过这个函数tf.contrib.distributions.kl(di​​st_a, dist_b, allow_nan=False, name=None)，但我失败了.

I tried this function tf.contrib.distributions.kl(dist_a, dist_b, allow_nan=False, name=None), but I failed.

我尝试手动实现:

def kl_divergence(p,q):
    return p* tf.log(p/q)+(1-p)*tf.log((1-p)/(1-q))

正确吗?

推荐答案

你有的是交叉熵，KL散度应该是这样的:

What you have there is the cross entropy, KL divergence should be something like:

def kl_divergence(p, q):
    return tf.reduce_sum(p * tf.log(p/q))

这里假设 p 和 q 都是浮点数的一维张量，形状相同，并且对于每个张量，它们的值总和为 1.

This assumes that p and q are both 1-D tensors of float, of the same shape and for each, their values sum to 1.

如果 p 和 q 是符合上述约束的大小相同的一维张量小批量，它也应该有效.

It should also work if p and q are equally sized mini-batches of 1-D tensors that obey the above constraints.

这篇关于如何在 TensorFlow 中实现 Kullback-Leibler 损失?的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！