TensorFlow函数教程：tf.nn.softmax_cross_entropy_with_logits

tf.nn.softmax_cross_entropy_with_logits函数

tf.nn.softmax_cross_entropy_with_logits(
    _sentinel=None,
    labels=None,
    logits=None,
    dim=-1,
    name=None
)

定义在：tensorflow/python/ops/nn_ops.py。

计算logits和labels之间的softmax交叉熵。（废弃）

这个函数已被弃用。它将在以后的版本中删除。更新说明：TensorFlow的未来主要版本将允许渐变在默认情况下流入backprop上的标签输入。

参考：tf.nn.softmax_cross_entropy_with_logits_v2。

测量离散分类任务中的概率误差，其中类是互斥的（每个条目恰好在一个类中）。 例如，每个CIFAR-10图像都标有一个且只有一个标签：图像可以是dog或truck，但不能同时是两者。

注意：虽然这些类是互斥的，但它们的概率不一定如此。所需要的只是每一行labels是有效的概率分布。如果不是，则梯度的计算将是不正确的。

如果使用专属labels（其中一次只有一个类为true），请参阅sparse_softmax_cross_entropy_with_logits。

警告：此操作需要未缩放的日志，因为它在内部的logits执行logmax以提高效率。不要使用softmax的输出调用此操作，因为它会产生不正确的结果。

常见的用例是具有shape [batch_size，num_classes]的logits和labels，但支持更高的维度，dim参数指定类维度。

反向传播只会发生在logits中。要计算允许反向传播到logits和labels的交叉熵损失，请参阅tf.nn.softmax_cross_entropy_with_logits_v2。

请注意，为避免混淆，需要仅将命名参数传递给此函数。

参数：

• _sentinel：用于防止positional参数。内部的，不要使用。
• labels：沿着类维度的每个向量应该保持有效的概率分布，例如：对于标签shape为[batch_size, num_classes]的情况，labels[i]的每一行必须是有效的概率分布。
• logits：未缩放的日志概率。
• 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：

一个Tensor，包含softmax交叉熵损失的。它的类型与logits相同，它的shape与labels是相同的，除了它没有labels的最后一个维度。