Tensorflow，在Tensorflow的稀疏分类交叉熵中，logits=True或False表示什么？

在Tensorflow 2.0中， 有一个损失函数叫做

tf.keras.losses.sparse_categorical_crossentropy(labels, targets, from_logits = False)

我可以问一下，设置from_logits=True或False有什么区别吗？ 我的猜测是，当传入值是logits时，您可以设置from_logits=True，如果传入值是概率（由softmax等输出），那么您只需设置from_logits=False（这是默认设置）

但是为什么呢？损失只是一些计算。为什么它需要因其传入值而有所不同？ 我还看到了谷歌的tensorflow教程 即使最后一层的传入值是logits，它也不会从_logits=True设置。 这是密码

@tf.function
def train_step(inp, target):
  with tf.GradientTape() as tape:
    predictions = model(inp)
    loss = tf.reduce_mean(
        tf.keras.losses.sparse_categorical_crossentropy(target, predictions))
  grads = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(grads, model.trainable_variables))

  return loss

模型在哪里

 model = tf.keras.Sequential([
    tf.keras.layers.Embedding(vocab_size, embedding_dim, 
                              batch_input_shape=[batch_size, None]),
    tf.keras.layers.LSTM(rnn_units, 
                        return_sequences=True, 
                        stateful=True, 
                        recurrent_initializer='glorot_uniform'),
    tf.keras.layers.Dense(vocab_size)
  ])

它没有softmax的最后一层。 （另外，在本教程的另一部分中，它是从_logits=True设置的）

---

那么，我把它设置为真与否没有关系吗？

上面提到的博文迪帕克有一些数学背景

---

但为了简单起见，from_logits=True意味着交叉熵层的输入是正态张量/logits，而如果from_logits=False，则意味着输入是一种概率，通常您应该在最后一层中激活softmax。

似乎他们已经在代码中添加了

from_logits=True

。这可能有助于您理解：