TensorFlow函数教程：tf.nn.sparse_softmax_cross_entropy_with_logits

tf.nn.sparse_softmax_cross_entropy_with_logits函数

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

定义在：tensorflow/python/ops/nn_ops.py。

计算logits和labels之间的稀疏softmax交叉熵。

测量离散分类任务中的概率误差，其中类是互斥的（每个条目仅在一个类中）。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：对于此操作，给定标签的概率被认为是唯一的。也就是说，不允许使用soft类，并且labels向量必须为每一行logits（每个小批量条目）的真实类提供单个特定索引。对于每个条目的概率分布的soft softmax分类，请参阅softmax_cross_entropy_with_logits_v2。

警告：此操作需要未缩放的日志，因为它在内部日志上执行softmax，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标签，但支持更高的维度，在这种情况下，假定第dim维度的大小为num_classes。logits必须具备float16，float32或者float64类型，并且labels必须具有int32或int64类型。

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：用于防止位置参数。内部，不要使用。
• labels：Tensor，shape为[d_0, d_1, ..., d_{r-1}]（其中r是labels的秩和结果）并且类型为int32或int64。每个labels中的条目必须是[0, num_classes)中的索引。当此操作在CPU上运行时，其他值将引发异常，并返回NaN，以获取GPU上相应的损失和梯度行。
• logits：shape为[d_0, d_1, ..., d_{r-1}, num_classes]和类型为float16，float32或 float64的未缩放日志概率。
  
• name：操作的名称（可选）。

返回：

一个Tensor，与labels形状相同、与具有SoftMax交叉熵损失的logits具有相同的类型。

可能引发的异常：

• ValueError：如果logits是标量（需要秩> = 1），或者labels的秩不等于logits的秩减1。