原函式： 

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

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

1.sparse_softmax_cross_entropy_with_logits中 lables接受直接的數字標籤  如[1], [2], [3], [4] （型別只能為int32，int64） 

labels=tf.constant([0,1,2,3],dtype=tf.int32)
logits=tf.Variable(tf.random_normal([4,4]))
loss=tf.nn.sparse_softmax_cross_entropy_with_logits(labels=labels,logits=logits)
sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)
print(sess.run(loss))

2.而softmax_cross_entropy_with_logits中 labels接受one-hot標籤  如[1,0,0,0], [0,1,0,0],[0,0,1,0], [0,0,0,1] （型別為int32， int64）

相當於sparse_softmax_cross_entropy_with_logits 對標籤多做一個one-hot動作

labels=tf.constant([[1,0,0,0], [0,1,0,0],[0,0,1,0], [0,0,0,1] ],dtype=tf.int32)
logits=tf.Variable(tf.random_normal([4,4]))
loss=tf.nn.softmax_cross_entropy_with_logits(labels=labels,logits=logits)
sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)
print(sess.run(loss))
 

注意！！！上面兩個函式的返回值並不是一個數，而是一個向量，如果要求交叉熵，我們要再做一步tf.reduce_sum操作,就是對向量裡面所有元素求和，如果求loss，則要做一步tf.reduce_mean操作，對向量求均值！