理解tensorflow中logits和labels的描述

Question

这就是 tensorflow 对 tf.nn.sparse_softmax_cross_entropy_with_logits 中的 logits 和 labels 参数的看法

参数： _sentinel：用于防止位置参数。内部，请勿使用。

标签：Tensor 形状为 [d_0, d_1, ..., d_{r-1}]（其中 r 是 labels 和结果）和 dtype int32 或 int64。 labels中的每个条目 必须是[0, num_classes) 中的索引。其他值将提高 此操作在 CPU 上运行时出现异常，并返回 NaN 对应的 GPU 上的损失和梯度行。

logits：未缩放的形状对数概率 [d_0, d_1, ..., d_{r-1}, num_classes] 和 dtype float32 或 float64。 name：操作的名称（可选）。

我已经解决了我相当一部分的机器学习和深度学习分类问题，我遇到甚至想到的唯一输出形状是 [None, 1] 或 [None, number of classes]（如果稀疏实施未实施。）

请说明在哪里做：Tensor (labels) of shape [d_0, d_1, ..., d_{r-1}] and 'Tensor' (logits) Unscaled log probabilities of shape [d_0, d_1, ..., d_{r-1}, num_classes]来自。也许只是一个例子就足够了

Answer 1

我已经解决了相当多的机器学习和深度学习分类问题，我遇到甚至想到的唯一输出形状是 [None, 1] 或 [None, number of classes]

这正是您所描述的。

labels：形状为 [d_0, d_1, ..., d_{r-1}] 的张量（其中 r 是标签和结果的等级）和 dtype int32 或 int64。标签中的每个条目必须是 [0, num_classes) 中的索引。

d_0, d_1 ... d_{r-1} 是您的批次的示例。这对应于形状为 [r, 1] 的张量，其中 r 是您的 batch_size。

logits：形状 [d_0, d_1, ..., d_{r-1}, num_classes] 的未缩放对数概率

这里也一样，这对应于形状为 [r, num_classes] 的张量。

当我们定义模型时，r = None 因为我们不希望图形依赖于批量大小。