由于我需要训练一个多标签模型，我需要使用损失函数tf.nn.sigmoid_cross_entropy_with_logits。这个函数有两个参数：logits和labels。

参数logits是否是预测的y值？我如何在编译模型之前传递这个值呢？我在编译和拟合模型之前无法预测y，对吗？

这是我的代码：

import tensorflow as tffrom tensorflow import kerasmodel = keras.Sequential([keras.layers.Dense(50, activation='tanh', input_shape=[100]),                             keras.layers.Dense(30, activation='relu'),                            keras.layers.Dense(50, activation='tanh'),                            keras.layers.Dense(100, activation='relu'),                            keras.layers.Dense(8)])model.compile(optimizer='rmsprop',               loss=tf.nn.sigmoid_cross_entropy_with_logits(logits=y_pred), labels=y),   # <---如何在这里确定y_pred？              metrics=['accuracy'])model.fit(x, y, epochs=10, batch_size=32)y_pred = model.predict(x)  # <--- 现在我已经在编译、拟合和预测之后得到了y_pred

我使用的是TensorFlow v2.1.0

回答：

这些参数（labels和logits）被传递到Keras实现的损失函数中。要使您的代码正常工作，可以这样做：

import tensorflow as tffrom tensorflow import kerasdef loss_fn(y_true, y_pred):    return tf.nn.sigmoid_cross_entropy_with_logits(labels=y_true, logits=y_pred)model = keras.Sequential([keras.layers.Dense(50, activation='tanh', input_shape=[100]),                           keras.layers.Dense(30, activation='relu'),                          keras.layers.Dense(50, activation='tanh'),                          keras.layers.Dense(100, activation='relu'),                          keras.layers.Dense(8)])model.compile(optimizer='rmsprop',               loss=loss_fn,              metrics=['accuracy'])x = np.random.normal(0, 1, (64, 100))y = np.random.randint(0, 2, (64, 8)).astype('float32')model.fit(x, y, epochs=10, batch_size=32)y_pred = model.predict(x)

不过，建议的方法是使用Keras的损失函数实现。在您的情况下，应该这样做：

model = keras.Sequential([keras.layers.Dense(50, activation='tanh', input_shape=[100]),                           keras.layers.Dense(30, activation='relu'),                          keras.layers.Dense(50, activation='tanh'),                          keras.layers.Dense(100, activation='relu'),                          keras.layers.Dense(8)])model.compile(optimizer='rmsprop',               loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),              metrics=['accuracy'])x = np.random.normal(0, 1, (64, 100))y = np.random.randint(0, 2, (64, 8)).astype('float32')model.fit(x, y, epochs=10, batch_size=32)y_pred = model.predict(x)