探索tf.nn.sparse_softmax_cross_entropy_with_logits，def sparse_softmax_cross_entropy_with_logits(
    _sentinel=None,  # pylint: disable=invalid-name
    labels=None,
    logits=None,
    name=None):它求得是張量最後一維與標籤的交叉熵，再對最後一維求和。（其中，labels引數是一維的張量，元素是對應的索引，轉換為對應的列表再求交叉熵。比如labels是[1,2],那麼列表就是[[0,1,0],[0,0,1]]下面是labels張量的正確形式。）tf.nn.sparse_softmax_cross_entropy_with_logits（），放在圖片上，就是對一個畫素深度方向的向量，與對應的標籤做交叉熵，再求一個畫素深度方向交叉熵的和。loss值是對所有畫素點的交叉熵和取平均。一句話說，就是畫素點上求交叉熵的和， 畫素間求上一步的平均數。實驗程式碼如下：import tensorflow as tfimport numpy as npsess = tf.InteractiveSession()def index_to_list(index): list = np.zeros([2,3], dtype=int) for j in range(2): for i in range(3): if i == index[j]: list[j][i] = 1 else: list[j][i] = 0 return list# index = [1, 2]# c = index_to_list(index)# print(c)a = tf.placeholder(tf.float32, [2,3])b = tf.placeholder(tf.int64, [2])aa = [[1.0, 2.0, 3.0], [2.0, 1.0, 3.0]]bb = [2,1]cross_entropy = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=a, labels=b))c = sess.run(cross_entropy, feed_dict={a:[[1.0, 2.0, 3.0], [2.0, 1.0, 3.0]], b:[2, 1]})a_softmax = tf.nn.softmax(aa)b_list = index_to_list(bb)loss = tf.reduce_mean(-tf.reduce_sum(b_list*tf.log(a_softmax), axis=1))print(sess.run(loss))print(c)sess.close()

下面是執行結果：