逻辑回归张量流的损失函数 - 公式和张量流函数结果不匹配

Question

我正在尝试在Tensorflow中进行逻辑回归，具有2个成本函数：dim = train_X.shape[1]X = tf.placeholder(tf.float32, shape=(None, dim))y = tf.placeholder(tf.float32, shape=(None,1))W = tf.Variable(tf.zeros(shape=(dim,1)))b = tf.Variable(tf.zeros([1]))y_pred = tf.nn.sigmoid(tf.add(tf.matmul(X,W), b)) # using matmul for matrix multiplication. x.shape(768,8) w.shape(8,1)cost = tf.reduce_mean(tf.add(-tf.multiply(y, tf.log(y_pred)), -tf.multiply(1-y, tf.log(1-y_pred))))cost2 = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=y_pred, labels=y))train = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)train2 = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost2)这两种成本函数给出不同的结果，尽管我的理解是它们应该给出相同的结果。session = tf.Session()session.run(init)print(session.run(cost, feed_dict={X:train_X, y:train_y}))print(session.run(cost2, feed_dict={X:train_X, y:train_y}))有人可以解释为什么会发生这种情况，以及我应该做些什么来让他们显示相同的结果吗？

Answer 1

cost2 变量的预测变量应为：

y_pred2 = tf.add(tf.matmul(X,W2), b2)

因为 已经合并了 sigmoid 函数。tf.nn.sigmoid_cross_entropy_with_logits