tensorflow入门基础-softmax_cross_entropy_with_logits

softmax_cross_entropy_with_logits函数

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：
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
第二个参数labels：实际的标签，大小同上

具体的执行流程大概分为两步：
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）
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(即分类与向量的乘积)，交叉熵是一个向量。
第三步再做一步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！

 

import tensorflow as tf 

logit=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]]) 

y=tf.nn.softmax(logit) 

y_=tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]]) 

cross_entropy =-tf.reduce_sum(y_*tf.log(y)) 

cross_entropy2=tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=logit,labels=y_)) 

with tf.Session() as sess: 

    softmax=sess.run(y) 

    c_e=sess.run(cross_entropy) 

    c_e2=sess.run(cross_entropy2) 

    print(softmax) 

    print(c_e) 

    print(c_e2) 

    print(sess.run(tf.log(y)))`