tf.nn.softmax_cross_entropy_with_logits傳入的 labels是one-hot編碼，logits需未使用softmax，
tf.nn.softmax_cross_entropy_with_logits對傳入的logits先計算softmax激活后的輸出，再計算與 labels間的交叉熵

import tensorflow as tflogits=tf.constant([[1.0,2.0,5.0],[1.0,2.0,3.0],[1.0,2.0,3.0]]) y_=tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]]) #dont forgettf.reduce_sum()!! tf_softmax = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=logits) cross_entropy2=tf.reduce_sum(tf_softmax) with tf.Session() as sess:print('tf_softmax:\n',sess.run(tf_softmax))c_e2 = sess.run(cross_entropy2)print("cross_entropy2:\n",c_e2)

輸出

tf_softmax:[0.06588391 0.40760595 0.40760595] cross_entropy2:0.88109577

tf.reduce_xxx系列在指定維度上對矩陣操作

總結

以上是生活随笔為你收集整理的tensorflow中的交叉熵损失的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。