tf.nn.sparse_softmax_cross_entropy_with_logits

tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name=None)

计算logits 和 labels 之间的稀疏softmax 交叉熵

度量在离散分类任务中的错误率，这些类之间是相互排斥的（每个输入只能对应唯一确定的一个类）。举例来说，每个CIFAR-10 图片只能被标记为唯一的一个标签：一张图片可能是一只狗或一辆卡车，而不能两者都是。

注意：针对这个操作，给定某一个标签的概率被认为是排外的。也就是说，软分类是不允许的，并且labels 向量必须提供一个单一的指定的真实类别的索引，为logits 的每一行（每个 minibatch 的输入）。对于软 softmax 分类来说，对每一个输入有一个概率分布，参照 softmax_cross_entropy_with_logits.

警告：这个操作期望无尺度化的logits， 因为它在内部高效地对logits 进行 softmax 。请不要用softmax 的输出调用这个操作，否则会产生错误结果。

logits 必须具有shape [batch_size, num_classes] 并且 dtype (float32 or float64)

labels 必须具有shape [batch_size]，并且 dtype int64

参数：

• logits:  无尺度化的log 概率
• labels:  每个条目 labels[i] 必须是[0, num_classes) 的索引或者-1. 如果是-1，则相应的损失为0，不用考虑 logits[i] 的值。

返回值：

batch_size 长度的1-D Tensor，type 类型和 logits 一样，值为softmax 交叉熵损失。

logits 和 labels 的shpae

logits

labels

[python] view plain copy

1. cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name='xentropy')  
2. #print cross_entropy#  

MNIST 单层网络 softmax 的交叉熵

[python] view plain copy

1. cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))