Python tf.nn.softmax_cross_entropy_with_logits用法及代码示例

计算 logits 和 labels 之间的 softmax 交叉熵。

用法

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

测量类别互斥(每个条目恰好属于一个类别)的离散分类任务中的概率误差。例如，每张 CIFAR-10 图像都带有一个且只有一个标签：图像可以是狗或卡车，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是互斥的。所需要的只是labels 的每一行都是有效的概率分布。如果不是，则梯度的计算将不正确。

如果使用独占 labels(其中一次只有一个类为真)，请参阅 sparse_softmax_cross_entropy_with_logits 。

用法：

logits = [[4.0, 2.0, 1.0], [0.0, 5.0, 1.0]]
labels = [[1.0, 0.0, 0.0], [0.0, 0.8, 0.2]]
tf.nn.softmax_cross_entropy_with_logits(labels=labels, logits=logits)
<tf.Tensor:shape=(2,), dtype=float32,
numpy=array([0.16984604, 0.82474494], dtype=float32)>

警告：此操作需要未缩放的 logits，因为它在内部对 logits 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。

一个常见的用例是具有形状 [batch_size, num_classes] 的 logits 和标签，但支持更高的维度，axis 参数指定类维度。

logits 和 labels 必须具有相同的 dtype(float16 , float32 或 float64 )。

反向传播将同时发生在 logits 和 labels 中。要禁止反向传播到 labels ，请将标签张量通过 tf.stop_gradient 传递给此函数。

请注意，为避免混淆，只需要将命名参数传递给此函数。