tensorflow某些函数的小坑（持续更新）

刚刚接触tensorflow,正在跟tutorial学习。英文的官网经常上不了（shadowsocks不太稳定），退而求其次看极客学院翻译的中文教程.看见其中的一些奇奇怪怪的函数，这里mark一下

nn.sparse_softmax_cross_entropy_with_logits()

这个函数看名字都知道，是将稀疏表示的label与输出层计算出来结果做对比，函数的形式和参数如下：

nn.sparse_softmax_cross_entropy_with_logits(logits,label,name=None)

第一个坑:logits表示从最后一个隐藏层线性变换输出的结果！假设类别数目为10，那么对于每个样本这个logits应该是个10维的向量，且没有经过归一化，所有这个向量的元素和不为1。然后这个函数会先将logits进行softmax归一化，然后与label表示的onehot向量比较，计算交叉熵。
也就是说，这个函数执行了三步（这里意思一下）：

• sm=nn.softmax(logits)
• onehot=tf.sparse_to_dense(label，…)
• nn.sparse_cross_entropy(sm,onehot)

第二个坑:输入的label是稀疏表示的，就是是一个[0，10）的一个整数，这我们都知道。但是这个数必须是一维的！就是说，每个样本的期望类别只有一个，属于A类就不能属于其他类了。

nn.softmax_cross_entropy_with_logits()也是如此？

---

nn.in_top_k()

这个函数用于在预测的时候判断预测结果是否正确。函数本来的意义为判断label是不是在logits 的前k大的值，返回一个布尔值。

nn.in_top_k(logits,label,k)

第一个坑：
和上面函数一样，这个label是个index而不是向量.如果表示第4类为正确的，label不长[0,0,0,1,0]这样，而是label=3。所以如果你的label是onehot的，恭喜你，你要转化一下：

labels = tf.argmax(y_, 1)
topFiver = tf.nn.in_top_k(y, labels, 5) #in top 5

第二个坑：同样的，label只有一个值，只能用于单类别判断！