我已阅读docs of both functions，但就我所知，对于函数tf.nn.softmax_cross_entropy_with_logits(logits, labels, dim=-1, name=None)，结果是交叉熵损失，其中logits和{{1的维度是一样的。
但是，对于函数labels，tf.nn.sparse_softmax_cross_entropy_with_logits和logits的维度不一样？
您能否提供labels的更详细示例？
答案 0 :(得分：5)
不同之处在于tf.nn.softmax_cross_entropy_with_logits并不假设这些类是互斥的：
测量离散分类任务中的概率误差 每个班级都是独立的，而不是相互排斥的。对于 例如，可以在图片中执行多标签分类 可以同时包含大象和狗。
与sparse_*比较：
测量离散分类任务中的概率误差 哪些类是互斥的（每个条目只有一个 类）。例如，每个CIFAR-10图像都标有一个且仅一个 一个标签：图像可以是狗或卡车，但不是两者。
因此，对于稀疏函数，logits和labels的维度不同：labels每个示例包含一个数字，而logits类的数量例如，表示概率。