【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法

一、tf.nn.softmax_cross_entropy_with_logits：

     在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？首先明确一点，loss是代价值，也就是我们要最小化的值

tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)

除去name参数用以指定该操作的name，与方法有关的一共两个参数：

（1）第一个参数logits：就是神经网络最后一层的输出，如果有batch的话，它的大小就是[batchsize，num_classes]，单样本的话，大小就是num_classes

（2）第二个参数labels：实际的标签，大小同上




二、具体的执行流程：

    第一步是先对网络最后一层的输出做一个softmax，这一步通常是求取输出属于某一类的概率，对于单样本而言，输出就是一个num_classes大小的向量（[Y1，Y2,Y3...]其中Y1，Y2，Y3...分别代表了是属于该类的概率）




    至于为什么是用的这个公式？这里不介绍了，涉及到比较多的理论证明




    第二步是softmax的输出向量[Y1，Y2,Y3...]和样本的实际标签做一个交叉熵，公式如下：




    其中指代实际的标签中第i个的值（用mnist数据举例，如果是3，那么标签是[0，0，0，1，0，0，0，0，0，0]，除了第4个值为1，其他全为0）。就是softmax的输出向量[Y1，Y2,Y3...]中，第i个元素的值

    显而易见，预测越准确，结果的值越小（别忘了前面还有负号），最后求一个平均，得到我们想要的loss




注意！！！这个函数的返回值并不是一个数，而是一个向量，如果要求交叉熵，我们要再做一步tf.reduce_sum操作,就是对向量里面所有元素求和，最后才得到，如果求loss，则要做一步tf.reduce_mean操作，对向量求均值！




三、理论讲完了，上代码

#!/usr/bin/python
# -*- coding: utf-8 -*-
import tensorflow as tf

# 我们神经网络的输出
logits = tf.constant([[1.0, 2.0, 3.0], [1.0, 2.0, 3.0], [1.0, 2.0, 3.0]])
# 步骤1:做softmax
y = tf.nn.softmax(logits)
# 真实标签
y_ = tf.constant([[0.0, 0.0, 1.0], [0.0, 0.0, 1.0], [0.0, 0.0, 1.0]])
# 步骤2:求交叉熵
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
# 只用一步求这个交叉熵
cross_entropy2 = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_))  # 不要忘记加上 tf.reduce_sum()!!

with tf.Session() as sess:  # 创建一个会话
    softmax = sess.run(y)
    c_e = sess.run(cross_entropy)
    c_e2 = sess.run(cross_entropy2)
    print("步骤1:softmax 结果为=")
    print(softmax)
    print("步骤2:交叉熵结果为=")
    print(c_e)
    print("一步到位:使用函数softmax_cross_entropy_with_logits后的结果为=")
    print(c_e2)

输出结果为：

步骤1:softmax 结果为=
[[0.09003057 0.24472848 0.66524094]
 [0.09003057 0.24472848 0.66524094]
 [0.09003057 0.24472848 0.66524094]]
步骤2:交叉熵结果为=
1.222818
一步到位:使用函数softmax_cross_entropy_with_logits后的结果为=
1.2228179

最后大家可以试试e^1/(e^1+e^2+e^3)是不是0.09003057，发现确实一样！！这也证明了 我们的输出是符合公式逻辑的~