tf.keras里面有许多内置的损失函数可以使用，由于种类众多，以几个常用的为例：

BinaryCrossentropy

BinaryCrossentropy是用来进行二元分类交叉熵损失函数的，共有如下几个参数

• from_logits=False, 指出进行交叉熵计算时，输入的y_pred是否是logits，logits就是没有经过sigmoid激活函数的fully connect的输出，如果在fully connect层之后经过了激活函数sigmoid的处理，那这个参数就可以设置为False

• label_smoothing=0, 是否要进行标签平滑，这里是防止过拟合的一个技巧

• reduction=losses_utils.ReductionV2.AUTO,对于多标签分类的情况，正常计算完之后，loss会batch_size维的向量，这个参数是进行最后的求平均，如果是设置为losses_utils.ReductionV2.None，就不会求平均了

• name='binary_crossentropy'。

如果输入的from_logits是true，那么首先就要经过激活函数的处理。那对于一个[batch_size，num_class]的logits,进行sigmoid激活就是对将tensor中的每个元素x转为sigmoid(x).构成矩阵P，代表的就是样本i属于标签j概率，即：

然后在这个基础上计算二分类的交叉熵，这里的二分类交叉熵是tensor中的每个元素都独立的，所以会有[batch_size，num_class]个loss，以下表示真实的标签

然后在axis=-1维度做了reduce_mean操作，变成了[batch_size]维度的loss，最后再经过reduction里面指定的处理方法，再对batch求一次平均值。另外，这个方法如果在from_logits=True的情况下，可以用tf.nn.sigmoid_cross_entropy_with_logits来代替，阅读源码，在tf.keras里面就是调的这个函数，sigmoid_cross_entropy_with_logits返回的是[batch_size]个loss，最后我们再接一个reduce_mean就可以变成标量了。

CategoricalCrossentropy

CategoricalCrossentropy是用来处理多分类的，同样有以上这几个参数。但是激活函数不一样，使用的是softmax激活函数，softmax的过程如下

经过激活函数之后，每一行的元素代表了这个样本属于各类别的概率，并且概率和为1，即[batch_size，num_class]里面的每一行的和为1，然后进行交叉熵计算,这里和binary_cross_entropy不同，这里中间计算出来的loss的shape只有[batch_size]了。多分类是二分类的扩展，二分类可以看成两个互斥的标签，而多分类则是多个互斥的标签

SparseCategoricalCrossentropy

SparseCategoricalCrossentropy损失函数同CategoricalCrossentropy类似，只是输入不一样，该损失函数的输入的y_true是[batch_size]个标签，每个元素是label对应的index，没有经过one-hot编码，这个方法如果在from_logits=True的情况下，和tf.nn.sparse_sigmoid_cross_entropy_with_logits再接一个reduce_mean是类似的效果。

MeanSquaredError

MeanSquaredError损失函数（均方差）一般用来解决回归问题，参数只有两个，默认即可。

• reduction=losses_utils.ReductionV2.AUTO,

• name='mean_squared_error'

均方差就是y_pred语y_true对应元素的差的平方，然后求和在求平均

不同问题的最后一层激活函数与损失函数