有人可以解释为什么以下代码会生成array([ 0.59813887, 0.69314718], dtype=float32)的输出吗？例如，numpy.log(0.5) = 0.69314718，但0.598138是如何产生的？
import tensorflow as tf
res1 = tf.nn.sparse_softmax_cross_entropy_with_logits(_sentinel=None, labels=[1, 0], logits=[[0.4, 0.6], [0.5, 0.5]], name=None)
res2 = tf.nn.sparse_softmax_cross_entropy_with_logits(_sentinel=None, labels=[0, 1], logits=[[0.4, 0.6], [0.5, 0.5]], name=None)
res3 = tf.nn.sparse_softmax_cross_entropy_with_logits(_sentinel=None, labels=[1, 0], logits=[[0.6, 0.4], [0.5, 0.5]], name=None)
sess = tf.Session()
sess.run(res1)
答案 0 :(得分：2)
您提供的logits分别针对0和1类（即tensorflow如何理解它）。
因此，对于res1 - 第一个数据点的prob（class1）为0.6
根据定义， Cross Entropy 是 -
-np.log(np.exp([0.6]) / np.sum(np.exp([0.4, 0.6])))
同样，对于第二种情况 -
-np.log(np.exp([0.5]) / np.sum(np.exp([0.5, 0.5])))
给出所需的输出。
这与Tensorflow的输出一致。希望这有帮助！
答案 1 :(得分：0)
事实证明，对于这个函数，tensorflow将其解释为logit输入，这意味着它需要反转log（p / 1-p）操作以在计算交叉熵之前首先获得softmax输出，但我还没有找到为什么没有功能直接从概率输出计算交叉熵
的答案