tf.nn.softmax_cross_entropy_with_logits()

参考官方文档

format:softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, dim=-1, name=None)

 Args:
      _sentinel: Used to prevent positional parameters. Internal, do not use.(一般不用)
      labels: Each row `labels[i]` must be a valid probability distribution.
      logits: Unscaled log probabilities.
      dim: The class dimension. Defaulted to -1 which is the last dimension.
      name: A name for the operation (optional).

Returns:
      A 1-D `Tensor` of length `batch_size` of the same type as `logits` with the（也就是说返回的一个1维度的tensor，且它的数据类型和参数logits 一致）

`logits` and `labels` must have the same shape `[batch_size, num_classes]`and the same dtype (either `float16`, `float32`, or `float64`).（强调labels和logits必须有相同的数据类型和相同的shape，不然就会提示错误）

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]，num_classes就是分类的数量。单样本的话，大小就是num_classes
第二个参数labels：实际的标签，它的shape同上
 
顾名思义，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），多样本的话就是输出[batchsize，num_classes]大小的矩阵
softmax的公式是：
 
 
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cross_entropy，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）
 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），当输入是单样本的向量[Y1，Y2,Y3...]，则显然经过交叉熵之后得到一个数，而如果输入是[batchsize，num_classes]矩阵的话，则输出是batchsize大小的向量，但是得到的并不是我们想要的loss，还要做一个队向量求平均才是我们想要的loss。所以还要有个tf.reduce_sum的操作，最后才得到一个loss的数值。

为了有个感性认识，把这个函数里的计算步骤分步执行，如下

import tensorflow as tf  #our NN's output  logits=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])  #step1:do softmax  y=tf.nn.softmax(logits)  #true label #注意这里标签必须是浮点数,不然在后面计算tf.multiply时就会因为类型不匹配tf_log的float32数据类型而出错y_=tf.constant([[0,0,1.0],[0,0,1.0],[0,0,1.0]])#step2:do log  tf_log=tf.log(y)#step3:do mult  pixel_wise_mult=tf.multiply(y_,tf_log)#step4:do cross_entropy  cross_entropy = -tf.reduce_sum(pixel_wise_mult)  #do cross_entropy just two step  cross_entropy2_step1=tf.nn.softmax_cross_entropy_with_logits(labels=y_,logits=logits)cross_entropy2_step2=tf.reduce_sum(cross_entropy2_step1)#dont forget tf.reduce_sum()!!  with tf.Session() as sess:        y_value,tf_log_value,pixel_wise_mult_value,cross_entropy_value=sess.run([y,tf_log,pixel_wise_mult,cross_entropy])    cross_entropy2_step1_value,cross_entropy2_step2_value=sess.run([cross_entropy2_step1,cross_entropy2_step2])    print("step1:softmax result=\n%s\n"%(y_value))    print("step2:tf_log_result result=\n%s\n"%(tf_log_value))    print("step3:pixel_mult=\n%s\n"%(pixel_wise_mult_value))    print("step4:cross_entropy result=\n%s\n"%(cross_entropy_value))    print("Function(softmax_cross_entropy_with_logits) result=\n%s\n"%(cross_entropy2_step1_value))      print("Function(tf.reduce_sum) result=\n%s\n"%(cross_entropy2_step2_value))  

得到的结果为

显然，把tf.nn.softmax_cross_entropy_with_logits()分步骤执行，得到了相同的结果都是1,22282。但还是要强调，两个参数labels和logits必须有相同的数据类型和相同的shape，不然就会提示错误