tensorflow中的各种交叉熵损失计算函数辨析（含1.x、2.0版本）

简介：虽然tf2.0已经诞生一段时间了，但是tf1.x版本还是有非常广泛的使用场景。本文主要对新旧版本中，有关交叉熵损失函数的使用进行辨析，因为本人也是小白一个，不足指出，还请各位指教~

首先，在tensorflow的1.x版本中，由于存在多种api可以使用，包括tf.nn、tf.contrib、tf.layers，有时候难免有些混乱，这里先简单介绍一下三者的区别：
（此段引自GitHub Issue下的官方解释，当时2.0版本还没有出现，现在tf.contrib中的功能已经被砍掉或者移动到其他模块下面了）

• tf.contrib是一些处于research阶段的代码，比较unstable，将来测试稳定后会被移入到tf.layers中，也可能会被弃用或者删除；
• tf.layers里面是一些已经比较成熟的代码，不会再有太大改动；
• tf.nn是最基本的代码，实现的功能比较基础，还需要结合其他的API来用。

一、tensorflow 1.x版本中的那些交叉熵损失函数们

1. 用于单标签多分类的sparse_softmax_corss_entropy_with_logits

该函数将未经softmax的网络输出进行softmax后，再与真实的类别标签求解交叉熵损失，并返回损失值。
函数接口：

tf.nn.sparse_softmax_corss_entropy_with_logits(logits, labels, name)

• 所谓的单标签多分类是指：在多分类任务中，最终只能预测并输出单个类别，不能同时预测多个类别，一张图片预测的要么是horse，要么是dog，不能同时是horse和dog（作为对比，多标签是指，这张图片可能同时是horse和dog）；
• 要求logits shape=[batch_size, num_labels]， 而labels shape=[batch_size,]，也就是对于logits的每一行，labels是单个数值，指出其对应的真实label标签
• 注意输入的logits是未经softmax的
• 返回值的shape和labels相同，为[batch_size,]

附官网解释：

2. 同样用于单标签多分类的softmax_cross_entropy_with_logits_v2

该函数基本作用与上面一个函数一致。那么二者有什么区别呢？从名称上看，是少了一个sparse，事实上，二者的主要区别在于labels参数的输入形状。现在假设这个batch有2张图片，标签分别为2、3，则二者的labels区别在于