tensorflow的多分类函数用法

1.tf.nn.softmax( logits, axis=None,name=None,dim=None )

作用：用于做softmax激活，相当于执行：softmax = tf.exp(logits) / tf.reduce_sum(tf.exp(logits), axis)

参数：

• logits：一个非空的Tensor，是softmax之前的类别预测。必须是下列类型之一：half， float32，float64。
• axis：将在其上执行维度softmax。默认值为-1，表示最后一个维度。
• name：操作的名称（可选）。
• dim：axis的已弃用的别名。

返回：

一个Tensor，与logits具有相同的类型和shape。

注意：这里得到的还只是分类的激活值，后面需要手动地与labels计算损失值。

2.tf.nn.sparse_softmax_cross_entropy_with_logits()

作用：用于做softmax激活，并与labels计算交叉损失输出，即输出的是损失值。因此涉及的流程包括两步：

1）计算softmax激活：

2）与样本标签做交叉熵：

参数：

• labels：样本标签，与logits维度相同，为[batch,class_num],这里每一个sample的标签可以不是one-hot的，如1,2，...，class_num
• logits：是softmax之前的类别预测。
• dim：类维度。默认为-1，这是最后一个维度。
• name：操作的名称（可选）。

返回：

做完交叉熵之后的损失向量，要计算总体损失的话，要再接一个tf.reduce_sum或者tf.reduce_mean

3.tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)

作用：用于做softmax激活，并与labels计算交叉损失输出，即输出的是损失值。因此涉及的流程包括两步：

1）计算softmax激活：

2）与样本标签做交叉熵：

参数：

• labels：样本标签，与logits维度相同，为[batch,class_num],这里每一个sample的标签必须是one-hot的
• logits：是softmax之前的类别预测。
• dim：类维度。默认为-1，这是最后一个维度。
• name：操作的名称（可选）。

返回：

做完交叉熵之后的损失向量，要计算总体损失的话，要再接一个tf.reduce_sum或者tf.reduce_mean