TensorFlow函數(shù)教程：tf.nn.sparse_softmax_cross_entropy_with_logits

tf.nn.sparse_softmax_cross_entropy_with_logits函數(shù)

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

定義在：tensorflow/python/ops/nn_ops.py。

計算logits和labels之間的稀疏softmax交叉熵。

測量離散分類任務中的概率誤差，其中類是互斥的（每個條目僅在一個類中）。例如，每個CIFAR-10圖像都標有一個且只有一個標簽：圖像可以是dog或truck，但不能同時是兩者。

注意：對于此操作，給定標簽的概率被認為是唯一的。也就是說，不允許使用soft類，并且labels向量必須為每一行l(wèi)ogits（每個小批量條目）的真實類提供單個特定索引。對于每個條目的概率分布的soft softmax分類，請參閱softmax_cross_entropy_with_logits_v2。

警告：此操作需要未縮放的日志，因為它在內部日志上執(zhí)行softmax，以提高效率。不要使用softmax的輸出調用此操作，因為它會產生不正確的結果。

常見的用例是具有shape [batch_size, num_classes]的logits和labels標簽，但支持更高的維度，在這種情況下，假定第dim維度的大小為num_classes。logits必須具備float16，float32或者float64類型，并且labels必須具有int32或int64類型。

請注意，為避免混淆，需要僅將命名參數(shù)傳遞給此函數(shù)。

參數(shù)：

• _sentinel：用于防止位置參數(shù)。內部，不要使用。
• labels：Tensor，shape為[d_0, d_1, ..., d_{r-1}]（其中r是labels的秩和結果）并且類型為int32或int64。每個labels中的條目必須是[0, num_classes)中的索引。當此操作在CPU上運行時，其他值將引發(fā)異常，并返回NaN，以獲取GPU上相應的損失和梯度行。
• logits：shape為[d_0, d_1, ..., d_{r-1}, num_classes]和類型為float16，float32或 float64的未縮放日志概率。
  
• name：操作的名稱（可選）。

返回：

一個Tensor，與labels形狀相同、與具有SoftMax交叉熵損失的logits具有相同的類型。

可能引發(fā)的異常：

• ValueError：如果logits是標量（需要秩> = 1），或者labels的秩不等于logits的秩減1。