Python 逻辑回归Tensorflow的损失函数-公式和Tensorflow函数结果不匹配

我尝试在Tensorflow中使用两个成本函数进行逻辑回归：

dim = train_X.shape[1]
X = tf.placeholder(tf.float32, shape=(None, dim))
y = tf.placeholder(tf.float32, shape=(None,1))

W = tf.Variable(tf.zeros(shape=(dim,1)))
b = tf.Variable(tf.zeros([1]))

y_pred = tf.nn.sigmoid(tf.add(tf.matmul(X,W), b)) # using matmul for matrix multiplication. x.shape(768,8) w.shape(8,1)

cost = tf.reduce_mean(tf.add(-tf.multiply(y, tf.log(y_pred)), -tf.multiply(1-y, tf.log(1-y_pred))))
cost2 = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=y_pred, labels=y))

train = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
train2 = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost2)

这两个成本函数给出了不同的结果，尽管我的理解是它们应该给出相同的结果

session = tf.Session()
session.run(init)
print(session.run(cost, feed_dict={X:train_X, y:train_y}))
print(session.run(cost2, feed_dict={X:train_X, y:train_y}))

---

有人能解释一下为什么会发生这种情况，以及我应该做什么改变才能让他们显示相同的结果吗？

cost2变量的预测变量应该是：

y_pred2 = tf.add(tf.matmul(X,W2), b2)

---

由于

tf.nn.sigmoid\u cross\u entropy\u与\u logits

已经合并了sigmoid函数。

您的结果有多大不同？他们的价值观有什么不同？