Tensorflow 两个交叉熵损失函数的区别

tf.nn.sparse_softmax_cross_entropy_with_logits

label：不含独热编码，shape：[batch_size, ]
logits：原始预测概率分布向量，shape：[batch_size, num_classes]

logits = np.array([[0.3, 0.4, 0.3], [0.5, 0.2, 0.3], [0.1, 0.8, 0.1]])
labels = np.array([1, 0, 1])

这样的label参数决定了该函数只适合于每种样本只属于一种类别的情况

---

tf.nn.softmax_cross_entropy_with_logits

label：独热编码，shape：[batch_size, num_classes]
logits：原始预测概率分布向量，shape：[batch_size, num_classes]

logits = np.array([[0.3, 0.4, 0.3], [0.5, 0.2, 0.3], [0.1, 0.8, 0.1]])
labels = np.array([[0, 1, 0], [1, 0, 0], [0, 1, 0]])

独热编码的label参数决定了该函数可适合于每种样本属于多种类别的情况