这篇博客探讨了在TensorFlow中，`tf.nn.softmax_cross_entropy_with_logits`和`tf.nn.sparse_softmax_cross_entropy_with_logits`两个函数在多分类问题中计算损失的不同之处。前者要求`labels`参数为one-hot编码的概率分布，后者则接受独热编码的类别标签。两函数在使用时需确保正确传递`labels`和`logits`参数。
这两个函数主要用于定义多分类问题的loss。
tf.nn.softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, dim=-1, name=None)
解释该函数最重要的两个参数：
1. labels: 训练数据的标记真值，每一行为一个概率分布（可以直接使用one-hot编码）
2. logits: 训练数据的预测值，为未缩放的概率值（即加起来和不为1），执行此函数时会在内部自动执行softmax。即该参数直接传入最后一层fc后的未经softmax的结果即可。
示例：
import tensorflow as tf
labels = [[0,1,0],[1,0,0],[0,0,1
最低0.47元/天 解锁文章
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
