tf.nn.sparse_softmax_cross_entropy_with_logits（）

参考官方文档

format:sparse_softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None)

 Args:
      _sentinel: Used to prevent positional parameters. Internal, do not use.(这个参数一般不用)

      labels: `Tensor` of shape `[d_0, d_1, ..., d_{r-1}]` (where `r` is rank of
                   `labels` and result) and dtype `int32` or `int64`. Each entry in `labels`
                    must be an index in `[0, num_classes)`. Other values will raise an
                    exception when this op is run on CPU, and return `NaN` for corresponding
                     loss and gradient rows on GPU.（这个labels参数要注意，它的shape必须是`[d_0, d_1, ..., d_{r-1}]'（而参数logits的shape是[d_0, d_1, ..., d_{r-1},num_classes]`其中差别自行体会） 数据类型必须是int32或者int64，且在labels中的每个值必须是在[0，num_classes),否则在这个操作运行在cpu的时候将会出现exception，运行在GPU的时候将会返回'NaN',而不是返回loss了，这个情况我遇到过，所以在看到输出的不是loss值而是‘NaN’时就应该仔细检查一下这个函数中的labels有没有符合条件）

      logits: Unscaled log probabilities of shape
        `[d_0, d_1, ..., d_{r-1}, num_classes]` and dtype `float32` or `float64`.
        name: A name for the operation (optional).（这里注意shape和数据类型必须是float32和float64，一般很容易搞错，而tf.nn.softmax_cross_entropy_with_logits求 数据类型可以是float16 ，`float32` or `float64`.）

 Returns:
      A `Tensor` of the same shape as `labels` and of the same type as `logits`
      with the softmax cross entropy loss.（返回值要和tensor相同的shape和labels相同的数据类型）

这个函数和tf.nn.softmax_cross_entropy_with_logits函数比较明显的区别在于它的参数labels的不同，这里的参数label是非稀疏表示的，比如表示一个3分类的一个样本的标签，稀疏表示的形式为[0,0,1]这个表示这个样本为第3个分类，而非稀疏表示就表示为2（因为从0开始算，0,1,2,就能表示三类），同理[0,1,0]就表示样本属于第二个分类，而其非稀疏表示为1。tf.nn.sparse_softmax_cross_entropy_with_logits（）比tf.nn.softmax_cross_entropy_with_logits多了一步将labels稀疏化的操作。因为深度学习中，图片一般是用非稀疏的标签的，所以用tf.nn.sparse_softmax_cross_entropy_with_logits（）的频率比tf.nn.softmax_cross_entropy_with_logits高。

栗子

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]])#这个是稀疏的标签#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  #将标签稠密化dense_y=tf.arg_max(y_,1)cross_entropy2_step1=tf.nn.sparse_softmax_cross_entropy_with_logits(labels=dense_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])    sparse_cross_entropy2_step1_value,sparse_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"%(sparse_cross_entropy2_step1_value))      print("Function(tf.reduce_sum) result=\n%s\n"%(sparse_cross_entropy2_step2_value))