1、tf.nn.softmax_cross_entropy_with_logits(_sentinel=None,labels=None, logits=None, dim=-1, name=None)
sentinel 一般不用 labels 和logits形状相同 都是[batch_size,num_classes]
其中labels可以是one-hot的形式,也可以是和为1的概率分布。例如[0.9,0.01,0.09]
本身这个函数就是计算两个概率分布之间的距离。
但是需要注意的是 logits并不是缩放后的和为1的概率分布,而是未经缩放的对数概率。
函数内部会进行两个操作:
(1)logits进行softmax操作
softmax的作用是对输入进来的的分数进行概率归一化
也就是说,输进来n维的得分向量,输出n维的概率分布(和是1)这时候,概率分布的每一个数就代表了confidence,也就是属于该类的概率,或者说置信度。
(2)对得到的概率分布和labels的概率分布计算交叉熵
这个函数最后的输出是一个向量,如果我们想计算损失,就需要求平均值。
tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(_sentinel=None,labels=None, logits=None, dim=-1, name=None))
tf.reduce_mean()用于计算tensor沿着某一个维度的均值,维度可自己设定
tf.reduce_sum()用于计算tensor沿着某一个维度的和,维度可自己设定
如果不指定维度,表示对所有元素进行此操作。
2、tf.nn.sparse_softmax_cross_entropy_with_logits(_sentinel=None,labels=None, logits=None, name=None)
这里labels的形状是[batch_size],logits的形状是[batch_size,num_classes]
不需要再进行one-hot的转变 而是在函数内部完成。
需要注意的是 labels 必须从0开始编码 取值范围在[0,num_classes)