tf.nn.softmax\u cross\u entropy\u with\u logits如何计算tensorflow中的softmax交叉熵？

tf.nn.softmax_cross_entropy_与_logits，文档中说它计算logits和标签之间的softmax cross entropy这意味着什么？它不是应用了交叉熵损失函数公式吗？为什么文档中说它会计算sofmax交叉熵？

同样来自文档：

测量离散分类任务中的概率误差，其中类相互排斥（每个条目正好位于一个类中）

Softmax

分类使用

交叉熵损失函数

在离散类中对数据进行训练和分类。还有其他激活函数用于线性分类和NN中，如

ReLU

（校正线性单位）或

Sigmoid

；在这种情况下，将使用

Softmax

激活函数是决策函数（实际将数据分类为类别的函数），交叉熵是用于计算训练期间的误差的函数（您可以使用其他方法来计算误差成本，如均方）。然而，交叉熵似乎是目前最好的计算方法

正如一些人指出的，

softmax交叉熵

是分类中一个常用的术语，便于记法

编辑

---

关于logits，这意味着它使用未标度的输入数据。换句话说，输入数据可能不是概率值（即，值可能大于1）。查看了解更多有关softmax与logits的交叉熵及其组件的信息。

我认为这意味着它将对logits应用softmax，然后根据标签计算交叉熵。这只是分类模型中一个常见主题的快捷方式。你应该使用带有交叉熵函数的softmax，因为它在数值上是稳定的。阅读更多相关内容。您的回答没有解释为什么该函数使用logits而不是softmax作为输入。OP没有问这个问题，他/她要求对该函数中的softmax进行解释根据@wontonimo的评论扩展我的答案您注意到“还有其他激活函数使用，如ReLU（校正线性单位）或用于线性分类和NN的Sigmoid；在本例中使用Softmax。“此评论具有误导性：Softmax与这些激活函数不可比较。@vin I说明存在其他激活函数。是的，尽管它们不相同，但它们是可比较的，因为它们都用于将通过网络接收的输入转换为特定范围，在

Softmax

的情况下，返回概率分布（和1，0和1之间的所有元素）。因此，它可以应用于分类算法或编码。这不是误导，除非你不太了解NNs和那些函数，但在这种情况下，OP不会问这个问题。