看了一下苏神这篇博客:将“softmax+交叉熵”推广到多标签分类问题。从单标签分类很自然地顺推到多标签。下面记录阅读其loss实现源码理解，以备忘查。
loss公式：
\[log\left(1+\sum_{i\in\Omega_{neg}} e^{s_i}\right) + log\left(1+\sum_{j\in\Omega_{pos}} e^{-s_j}\right)\]源码和解析：
def multilabel_categorical_crossentropy(y_true, y_pred):
"""多标签分类的交叉熵
说明：y_true和y_pred的shape一致，y_true的元素非0即1，
1表示对应的类为目标类，0表示对应的类为非目标类。
警告：请保证y_pred的值域是全体实数，换言之一般情况下y_pred
不用加激活函数，尤其是不能加sigmoid或者softmax！预测
阶段则输出y_pred大于0的类。如有疑问，请仔细阅读并理解
本文。
"""
# 将正标签乘-1，负标签乘1
y_pred = (1 - 2 * y_true) * y_pred
# 将正标签的预测值设为无穷小
y_pred_neg = y_pred - y_true * 1e12
# 将负标签的预测值设为无穷小
y_pred_pos = y_pred - (1 - y_true) * 1e12
# 预测值后面添加一个0， 为了上面公式中log里面的1
zeros = K.zeros_like(y_pred[..., :1])
y_pred_neg = K.concatenate([y_pred_neg, zeros], axis=-1)
y_pred_pos = K.concatenate([y_pred_pos, zeros], axis=-1)
# 计算两个loss，和上面的公式对应
neg_loss = K.logsumexp(y_pred_neg, axis=-1)
pos_loss = K.logsumexp(y_pred_pos, axis=-1)
return neg_loss + pos_loss