Tensorflow(1)-softmax

1 tf.nn.softmax_cross_entropy_with_logits(labels=label, logits=logits)

logits = [[0.1,0.2,0.3], [1, 2, 3]]
label = [[0,0,1],[0,0,1]]

2 tf.nn.sparse_softmax_cross_entropy_with_logits(labels=label1, logits=logits)

logits = [[0.1,0.2,0.3], [1, 2, 3]]
label = [[2, 2]]

共同点: 两个函数对于输入logits要求都是为归一化的，即没有经过softmax函数。输出是一样的。

不同点: 两个函数对于label输入是不同的，函数1输入是one_hot向量，可以看到，label的维数和logits是一样的。 函数2强调输入是稀疏的，其维度比logits少1。

上述函数可以用TF其他函数拆分：
logsits_scale = tf.nn.softmax(logist)
-tf.reduce_sum(label*tf.log(logsits_scale))

那为什么TF还要提供这两个函数呢，官方API文档说是为了计算效率。