tf.losses类中的交叉熵函数

tf.losses类中的交叉熵函数：

tf.losses.softmax_cross_entropy(
onehot_labels,
logits,
weights=1.0,
label_smoothing=0,
scope=None,
loss_collection=tf.GraphKeys.LOSSES,
reduction=Reduction.SUM_BY_NONZERO_WEIGHTS
)
onehot_labels: 输入的one-hot标签真值
logits: 分类网络的输出
weights: loss函数的系数，可以是标量或张量，当其实张量时，shape必须是[batch_size]，每个元素对应一个样本。
loss_collection: 损失函数将被添加到哪里，默认加到计算图的LOSSES部分
reduction: （作用不太明了）

tf.losses.sparse_softmax_cross_entropy(
labels,
logits,
weights=1.0,
scope=None,
loss_collection=tf.GraphKeys.LOSSES,
reduction=Reduction.SUM_BY_NONZERO_WEIGHTS
)
labels：不需要是one-hot编码，但必须是[0, num_classes）区间内的整数。

tf.losses.sigmoid_cross_entropy(
multi_class_labels,
logits,
weights=1.0,
label_smoothing=0,
scope=None,
loss_collection=tf.GraphKeys.LOSSES,
reduction=Reduction.SUM_BY_NONZERO_WEIGHTS
)
multi_class_labels: [batch_size, num_classes]取值为 {0, 1}.
label_smoothing: 如果非零，那么将把标签朝着值为0.5的方向平滑。new_multiclass_labels = multiclass_labels * (1 - label_smoothing)+ 0.5 * label_smoothing