Python TensorFlow 2.0：稀疏分类交叉熵和稀疏分类交叉熵有什么区别？

阅读TensorFlow 2.0的文档，我发现：

及

---

它们在教程中的使用方式，它们的论点，它们的描述，在我看来都是平等的。两者之间有什么区别？

没有区别。如果您查看链接的文档，就可以在GitHub上找到源代码。两者都指向同一对象：

def sparse_categorical_crossentropy(target, output, from_logits=False, axis=-1):
  """Categorical crossentropy with integer targets.

  if not from_logits:
    if (isinstance(output, (ops.EagerTensor, variables_module.Variable)) or
        output.op.type != 'Softmax'):
      epsilon_ = _constant_to_tensor(epsilon(), output.dtype.base_dtype)
      output = clip_ops.clip_by_value(output, epsilon_, 1 - epsilon_)
      output = math_ops.log(output)
      # ... blablabla

这是在：

tensorflow/python/keras/backend.py

例如，前者（

tf.keras.loss.sparse\u categorical\u crossentropy

）的名称如下：

def sparse_categorical_crossentropy(y_true, y_pred, from_logits=False, axis=-1):
  return K.sparse_categorical_crossentropy(
      y_true, y_pred, from_logits=from_logits, axis=axis)

---

因此它指向

tensorflow/python/keras/backend.py中的另一个，一个是函数，一个是类

第一个是功能版本，当你评估它时，它只会吐出损失的值

第二个是类版本。您需要评估类本身的实例，以获得损失值

我相信你是对的，没有什么区别，如果使用KerasAPI，唯一的区别将是编译模型时

e、 g

请注意类版本上的额外括号，您需要传入一个类的实例。
如果我错了，请纠正我。我想可以定义一个对象，例如：
loss=SparseCategoricalCrossentropy（）
，但另一方面，你必须按原样使用
sparse\u category\u crossentropy，对吗？这是正确的。我认为更确切地说，compile方法有一些接口，因此它期望“loss”是一个可调用的对象，它有两个参数（logit和label）。
model.compile(loss=tf.keras.losses.sparse_categorical_crossentropy)

vs

model.compile(loss=tf.keras.losses.SparseCategoricalCrossentropy())