tf.nn.softmax_cross_entry_with_logits与tf.nn.sparse_softmax_cross_entroy_with_logits的区别

1. tf.nn.softmax_cross_entry_with_logits

NOTES:

其中，logits和labels必须是相同的shape和数据类型都必须相同，例如one-hot的形式，或者类one-hot的形式（当然结果没有one-hot那么明显）

2. tf.nn.sparse_softmax_cross_entroy_with_logits

NOTES:

这个就没有那么容易理解了，先举个例子吧
labels=[2,1]
如果用one-hot表示就是：
labels=[[0,0,1],[0,1,0]]
我们可以看到，这种编码方式降了维，注意这种分类是从0开始的，但是如果用这种编码的方式的话，我们就无法使用上面的这种方式，所以我们需要创建一种新的方式来处理这个问题，就是这样的来源。
所以，此时labels与logits的shape不相同。

3 还要注意一点就是，

计算交叉熵时，不论是使用sigmoid_cross_entropy_with_logits或者使用两种的时候，他都是将最后一步的激活函数也包括进去了，所以我们在最后输出的时候，不要使用过激活函数的输出