tf.nn.sparse_softmax_cross_entropy_with_logits交叉熵函数

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

labels:为样本的真实标签， shape为[batch_size]，每一个值∈[0，num_classes)，其实就是代表了batch中对应样本的类别，如二分类的label[0,0,1,0...]

logits:为神经网络输出层的输出，shape为[batch_size，num_classes]

在tf.nn.sparse_softmax_cross_entropy_with_logits函数中，logits可以自动去计算softmax分类结果，输出0-1的数作为logits。
labels自动转变为one-hot向量与预测值进行对数运算。

在计算logits和labels之间的交叉熵时，使用函数tf.nn.sparse_softmax_cross_entropy_with_logits()可在函数内部将labels稀疏化，因此loss()可以直接输入非稀疏的标签．

即原来使用函数tf.nn.softmax_cross_entropy_with_logits()计算交叉熵时，输入标签需要先稀疏化，常用one-hot编码，即标签［0，1，2］对应的稀疏化编码为［1 0 0］［0 1 0］［0 0 1］；现在函数tf.nn.sparse_softmax_cross_entropy_with_logits()内部包含将labels稀疏化的操作，因此支持唯一值 labels．

该函数与tf.nn.softmax_cross_entropy_with_logits的区别主要在于该函数的labels为one-hot处理后的真实标签，而tf.nn.sparse_softmax_cross_entropy_with_logits函数不需要进行one-hot操作。两个函数作用是一样的，一个处理的是真是标签，一个处理的是one-hot的标签。

示例如下：

"""
p_y=tf.nn.softmax(y_)
y_one_hot=tf.one_hot(y,10,dtype=tf.float32)
loss=tf.reduce_mean(tf.square(y_one_hot-p_y))
"""
#以上三行可被下面的loss替换
#logits可以自动去计算softmax
#labels去做onehot
#ylogy_
loss=tf.losses.sparse_softmax_cross_entropy(labels=y,logits=y_)