tf.nn.softmax_cross_entropy_with_logits||要计算均值

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：

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）

softmax的公式是：

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）

y_i 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！

def _compute_loss_graph(self): 
        # 计算损失
      
        # 注意下面的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
        # 如果求loss，则要做一步tf.reduce_mean操作，对向量求均值！
        softmax_cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=self.pre, labels=self.input_labels,name='softmax_cross_entropy')  # logits概率变换
        # 求均值
        self.loss = tf.reduce_mean(softmax_cross_entropy)
        self.train_op = tf.train.AdamOptimizer(self.lr).minimize(self.loss)